Bias evaluation in machine-learning based services (MLS) based on traditional algorithmic fairness notions that rely on comparative principles is practically difficult, making it necessary to rely on human auditor feedback. However, in spite of taking rigorous training on various comparative fairness notions, human auditors are known to disagree on various aspects of fairness notions in practice, making it difficult to collect reliable feedback. This paper offers a paradigm shift to the domain of algorithmic fairness via proposing a new fairness notion based on the principle of non-comparative justice. In contrary to traditional fairness notions where the outcomes of two individuals/groups are compared, our proposed notion compares the MLS' outcome with a desired outcome for each input. This desired outcome naturally describes a human auditor's expectation, and can be easily used to evaluate MLS on crowd-auditing platforms. We show that any MLS can be deemed fair from the perspective of comparative fairness (be it in terms of individual fairness, statistical parity, equal opportunity or calibration) if it is non-comparatively fair with respect to a fair auditor. We also show that the converse holds true in the context of individual fairness. Given that such an evaluation relies on the trustworthiness of the auditor, we also present an approach to identify fair and reliable auditors by estimating their biases with respect to a given set of sensitive attributes, as well as quantify the uncertainty in the estimation of biases within a given MLS. Furthermore, all of the above results are also validated on COMPAS, German credit and Adult Census Income datasets.


翻译:以基于比较原则的传统算法公平概念为基础的机器学习服务(MLS)的比值评价实际上很难,因此有必要依赖人类审计员的反馈;然而,尽管在各种比较公平概念方面进行了严格的培训,但已知人类审计员在实践中对公平概念的各个方面有不同意见,因此难以收集可靠的反馈;本文件根据非比较公正原则提出一个新的公平概念,从而向算法公平领域转变;与对两个个人/群体的结果进行比较的传统公平概念相反,我们提出的概念将MLS的结果与每项投入的预期结果进行比较。这一预期结果自然地描述了一个人类审计员的期望,并且很容易用来评价人群审计平台上的MLS。我们表明,从比较公平的角度(无论是个人公平、统计均等、机会均等还是校正)来看,任何MLS都可被视为公平的公平,如果给予个人公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、公平、有、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有价值、有偿、有偿、有价值、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有偿、有、有、有、有偿、有

0
下载
关闭预览

相关内容

专知会员服务
35+阅读 · 2021年8月13日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
已删除
将门创投
7+阅读 · 2019年10月15日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Arxiv
0+阅读 · 2021年9月5日
Arxiv
3+阅读 · 2020年5月1日
VIP会员
相关VIP内容
专知会员服务
35+阅读 · 2021年8月13日
Linux导论,Introduction to Linux,96页ppt
专知会员服务
77+阅读 · 2020年7月26日
商业数据分析,39页ppt
专知会员服务
160+阅读 · 2020年6月2日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11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
相关资讯
已删除
将门创投
7+阅读 · 2019年10月15日
CCF推荐 | 国际会议信息10条
Call4Papers
8+阅读 · 2019年5月27日
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
meta learning 17年:MAML SNAIL
CreateAMind
11+阅读 · 2019年1月2日
大数据 | 顶级SCI期刊专刊/国际会议信息7条
Call4Papers
10+阅读 · 2018年12月29日
Hierarchical Disentangled Representations
CreateAMind
4+阅读 · 2018年4月15日
人工智能 | 国际会议/SCI期刊约稿信息9条
Call4Papers
3+阅读 · 2018年1月12日
【学习】Hierarchical Softmax
机器学习研究会
4+阅读 · 2017年8月6日
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
Top
微信扫码咨询专知VIP会员