[Ingediend op 6 mei 2020]

PDF downloaden

Abstract: In dit artikel bestuderen we het probleem van eerlijke classificatie in de aanwezigheid van
eerdere waarschijnlijkheidsverschuivingen, waarbij de verdeling van de trainingssets verschilt van de
testset. Dit fenomeen kan worden waargenomen in de jaarboeken van verschillende
datasets uit de echte wereld, zoals recidivegegevens en medische uitgaven
enquêtes. Als er geen rekening mee wordt gehouden, kunnen dergelijke verschuivingen de voorspellingen van a veroorzaken
classifier om oneerlijk te worden tegenover specifieke subgroepen van de bevolking. Terwijl de
Het billijkheidsbegrip genaamd Proportionele Gelijkheid (PE) is verantwoordelijk voor dergelijke verschuivingen
procedure om PE-eerlijkheid te garanderen was onbekend.

In dit werk stellen we een methode voor, CAPE genaamd, die voorziet in een
alomvattende oplossing voor het bovengenoemde probleem. CAPE maakt op nieuwe wijze gebruik van
technieken voor prevalentieschatting, steekproeven en een geheel van classificatoren
zorgen voor eerlijke voorspellingen onder eerdere waarschijnlijkheidsverschuivingen. We introduceren een metriek,
Dit wordt prevalentieverschil (PD) genoemd, dat CAPE probeert te minimaliseren
zorgen voor PE-eerlijkheid. We stellen theoretisch vast dat deze metriek vertoont
verschillende wenselijke eigenschappen.

We evalueren de werkzaamheid van CAPE via een grondige empirische evaluatie
synthetische datasets. Ook vergelijken we de prestaties van CAPE met meerdere
populaire eerlijke classificaties voor datasets uit de echte wereld, zoals COMPAS (criminal risk
beoordeling) en MEPS (panelonderzoek medische uitgaven). De resultaten geven aan
dat CAPE PE-eerlijke voorspellingen garandeert, terwijl het goed presteert op andere
prestatiestatistieken.