算法公平性近年来在数据挖掘和机器学习领域引起了广泛的关注。到目前为止,现有的研究主要集中在发展量化指标来衡量不同保护组之间的算法差异,以及调整算法输出以减少这种差异的方法。在本文中,我们提出研究模型差异来源的识别问题。不像现有的解释方法通常学习特征的重要性,我们考虑特征变量之间的因果关系,并提出了一个新的框架,将差异分解为公平意识的因果路径的贡献之和,这些路径连接敏感属性和最终预测,在图上。我们还考虑了当这些路径中的某些边的方向无法确定时的情况。我们的框架也是模型无关的,适用于各种数量差异度量。对合成数据集和真实数据集的实证评价表明,我们的方法可以对模型差异提供精确和全面的解释。

成为VIP会员查看完整内容
23

相关内容

专知会员服务
17+阅读 · 2021年9月21日
专知会员服务
38+阅读 · 2021年8月20日
【WWW2021】双曲图卷积网络的协同过滤
专知会员服务
39+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年2月26日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
专知会员服务
19+阅读 · 2021年1月7日
机器学习的可解释性
专知会员服务
68+阅读 · 2020年12月18日
【NeurIPS2020-MIT】子图神经网络,Subgraph Neural Networks
专知会员服务
45+阅读 · 2020年9月28日
NeurIPS 2019 开源论文 | 万能的GNN解释器
图与推荐
6+阅读 · 2020年5月17日
KDD 2019论文解读:异构信息网络上的对抗生成学习
云栖社区
22+阅读 · 2019年8月21日
BAT机器学习面试1000题(771~775题)
七月在线实验室
3+阅读 · 2018年12月28日
机器学习模型的“可解释性”到底有多重要?
中国科学院自动化研究所
20+阅读 · 2018年3月1日
推荐|机器学习中的模型评价、模型选择和算法选择!
全球人工智能
10+阅读 · 2018年2月5日
Reappraising Domain Generalization in Neural Networks
Arxiv
0+阅读 · 2021年10月15日
Arxiv
3+阅读 · 2019年3月1日
Arxiv
12+阅读 · 2019年2月26日
Arxiv
5+阅读 · 2017年11月13日
VIP会员
相关VIP内容
专知会员服务
17+阅读 · 2021年9月21日
专知会员服务
38+阅读 · 2021年8月20日
【WWW2021】双曲图卷积网络的协同过滤
专知会员服务
39+阅读 · 2021年3月26日
专知会员服务
29+阅读 · 2021年2月26日
【WWW2021】用优化框架解释和统一图神经网络
专知会员服务
44+阅读 · 2021年2月1日
专知会员服务
19+阅读 · 2021年1月7日
机器学习的可解释性
专知会员服务
68+阅读 · 2020年12月18日
【NeurIPS2020-MIT】子图神经网络,Subgraph Neural Networks
专知会员服务
45+阅读 · 2020年9月28日
相关资讯
微信扫码咨询专知VIP会员