Key points are not available for this paper at this time.
Dans ce travail, nous formulons et caractérisons formellement l'équité de groupe comme un problème d'optimisation multi-objectifs, où chaque risque de groupe sensible est un objectif séparé. Nous proposons un critère d'équité selon lequel un classificateur atteint le risque minimax et est efficace de Pareto par rapport à tous les groupes, évitant les préjudices inutiles, et peut conduire au meilleur modèle à zéro écart si la politique l'exige. Nous fournissons un algorithme d'optimisation simple compatible avec les réseaux neuronaux profonds pour satisfaire ces contraintes. Étant donné que notre méthode ne nécessite pas d'accès en temps de test aux attributs sensibles, elle peut être appliquée pour réduire les erreurs de classification dans le pire des cas entre les résultats dans des problèmes de classification déséquilibrés. Nous testons la méthodologie proposée sur des études de cas réelles de prédiction de revenus, de mortalité des patients en soins intensifs, de classification des lésions cutanées et d'évaluation du risque de crédit, démontrant ainsi comment notre cadre se compare favorablement aux autres approches.
Martínez et al. (Mar,) ont étudié cette question.