Lernen kontrollierbarer fairer Repräsentationen

Das Lernen von Datenrepräsentationen, die übertragbar sind und in Bezug auf bestimmte geschützte Attribute fair sind, ist entscheidend für die Reduzierung unfairer Entscheidungen bei gleichzeitiger Beibehaltung des Nutzens der Daten. Wir schlagen ein informationstheoretisch motiviertes Ziel vor, um maximal ausdrucksstarke Repräsentationen unter fairen Bedingungen zu lernen. Wir zeigen, dass eine Reihe bestehender Ansätze Approximationen des Lagrange-Duals unseres Ziels optimieren. Im Gegensatz zu diesen bestehenden Ansätzen ermöglicht unser Ziel dem Benutzer, die Fairness der Repräsentationen zu steuern, indem Grenzen für Unfairness angegeben werden. Durch Ausnutzung der Dualität führen wir eine Methode ein, die die Modellparameter sowie den Kompromiss zwischen Ausdruckskraft und Fairness optimiert. Empirische Belege deuten darauf hin, dass unsere vorgeschlagene Methode den Kompromiss zwischen mehreren Vorstellungen von Fairness ausgleichen kann und eine höhere Ausdruckskraft bei geringeren Rechenkosten erreicht.