Fairness trifft auf Datenschutz: Integration von differentieller Privatsphäre und demographischer Parität in der Multiklassenklassifikation

Die zunehmende Nutzung von maschinellem Lernen in sensiblen Anwendungen erfordert Algorithmen, die sowohl den Datenschutz wahren als auch Fairness in potenziell sensiblen Unterpopulationen gewährleisten. Während Datenschutz und Fairness jeweils ausführlich untersucht wurden, bleibt ihre gemeinsame Behandlung schlecht verstanden. Vorhandene Forschung betrachtet sie oft als widersprüchliche Ziele, wobei mehrere Studien darauf hinweisen, dass starke Datenschutzkonzepte wie die differentielle Privatsphäre zwangsläufig die Fairness beeinträchtigen. In dieser Arbeit stellen wir diese Perspektive in Frage, indem wir zeigen, dass die differentielle Privatsphäre in eine Fairness-verbessernde Pipeline mit minimalen Auswirkungen auf die Fairness-Garantien integriert werden kann. Wir entwerfen einen Nachbearbeitungsalgorithmus, der DP2DP genannt wird und sowohl demographische Parität als auch differentielle Privatsphäre durchsetzt. Unsere Analyse zeigt, dass unser Algorithmus mit einer im Wesentlichen gleichen Geschwindigkeit (außer einem logarithmischen Faktor) auf sein Ziel der demographischen Parität konvergiert wie die besten nicht-privaten Methoden aus der Literatur. Experimente mit sowohl synthetischen als auch realen Datensätzen bestätigen unsere theoretischen Ergebnisse und zeigen, dass der vorgeschlagene Algorithmus erstklassige Genauigkeits-/Fairness-/Datenschutz-Abwägungen erreicht.