加强公平的干预措施分类

原文题目：Fairness-enhancing interventions in stream classification

摘要：由于自动化数据驱动决策支持系统的广泛应用，在没有人工监督的情况下，引起了人们对所使用模型的问责制和公平性的关注。现有的公平感知方法将公平性作为一个批量学习问题来处理，并以学习一个公平模型为目标，该模型随后可应用于该问题的未来实例。然而，在许多应用程序中，数据是按顺序排列的，其特性可能随着时间的推移而变化。在这种情况下，在数据流上“修正”一个(公平)模型是违反直觉的，因为数据中的变化可能导致底层模型发生变化，从而影响其公平性。在这项工作中，我们提出了增强公平性的干预措施，以修改输入数据，从而使应用于该数据的任何流分类器的结果都是公平的。对实际数据和合成数据的实验表明，该方法在流的过程中具有较好的预测性能和较低的识别率。

原文地址：https://arxiv.org/abs/1907.07223

作者：Vasileios Iosifidis, Thi Ngoc Han Tran, Eirini Ntoutsi