Key points are not available for this paper at this time.
In dieser Arbeit formulieren und charakterisieren wir gruppenbezogene Gerechtigkeit als ein Problem der multiobjektiven Optimierung, wobei jedes schützenswerte Gruppennrisiko ein separates Ziel ist. Wir schlagen ein Gerechtigkeitskriterium vor, bei dem ein Klassifikator das Minimax-Risiko erreicht und in Bezug auf alle Gruppen pareto-effizient ist, unnötigen Schaden vermeidet und zum besten Null-Gap-Modell führen kann, falls es die Politik vorschreibt. Wir bieten einen einfachen Optimierungsalgorithmus an, der mit tiefen neuronalen Netzwerken kompatibel ist, um diese Einschränkungen zu erfüllen. Da unsere Methode keinen Zugang zu sensiblen Attributen zur Testzeit erfordert, kann sie angewendet werden, um worst-case-Klassifikationsfehler zwischen Ergebnissen in unausgewogenen Klassifikationsproblemen zu verringern. Wir testen die vorgeschlagene Methodologie an realen Fallstudien zur Vorhersage von Einkommen, Sterblichkeit von ICU-Patienten, Klassifikation von Hautläsionen und Bewertung des Kreditrisikos und zeigen, wie unser Rahmenwerk im Vergleich zu anderen Ansatzes vorteilhaft ist.
Martínez et al. (Dienstag) haben diese Frage untersucht.