In spite of considerable practical importance, current algorithmic fairness literature lacks in technical methods to account for underlying geographic dependency while evaluating or mitigating fairness issues for spatial data. We initiate the study of spatial fairness in this paper, taking the first step towards formalizing this line of quantitative methods. Fairness considerations for spatial data often get confounded by the underlying spatial autocorrelation. We propose hypothesis testing methodology to detect the presence and strength of this effect, then mitigate it using a spatial filtering-based approach -- in order to enable application of existing bias detection metrics. We evaluate our proposed methodology through numerical experiments on real and synthetic datasets, demonstrating that in presence of several types of confounding effects due to the underlying spatial structure our testing methods perform well in maintaining low type-II errors and nominal type-I errors.


翻译:尽管具有相当大的实际重要性,但目前的算法公平文献缺乏技术方法,无法在评价或减轻空间数据公平问题的同时,对潜在的地理依赖性进行解释。我们开始在本文件中研究空间公平性,这是正式确定这一定量方法线的第一步。对空间数据的公平性考虑往往被潜在的空间自动关系所混淆。我们提出假设测试方法,以检测这种效应的存在和强度,然后使用以空间过滤为基础的方法来减轻这种影响 -- -- 以便应用现有的偏差检测指标。我们通过对真实和合成数据集进行数字试验来评估我们拟议的方法,我们通过对真实和合成数据集进行数字试验来评估,表明,由于基本的空间结构,在出现若干类型的混乱影响时,我们的测试方法在维持低类型二误差和名义类型一误差方面表现良好。

0
下载
关闭预览

相关内容

专知会员服务
18+阅读 · 2021年4月7日
【干货书】机器学习速查手册,135页pdf
专知会员服务
125+阅读 · 2020年11月20日
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
【哈佛大学商学院课程Fall 2019】机器学习可解释性
专知会员服务
103+阅读 · 2019年10月9日
最新BERT相关论文清单,BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
已删除
将门创投
4+阅读 · 2018年12月10日
Arxiv
0+阅读 · 2021年8月31日
Arxiv
0+阅读 · 2021年8月30日
Arxiv
0+阅读 · 2021年8月27日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关VIP内容
相关资讯
已删除
将门创投
4+阅读 · 2018年12月10日
Top
微信扫码咨询专知VIP会员