[論文レビュー] Projection to Fairness in Statistical Learning.

Thibaut Le Gouic, Jean–Michel Loubes+1 more|arXiv (Cornell University)|May 24, 2020

Statistical Mechanics and Entropy参考文献 16被引用数 13

ひとこと要約

本稿では、最適輸送理論を活用して、あらゆる回帰推定器をその最も近い公平なバージョンに投影する手法を提案する。予測精度の損失を最小限に抑えながら公平性を強制する。このアプローチにより、効率的な事後処理が可能になり、公平性と精度の正確なトレードオフが定量化できる。

ABSTRACT

In the context of regression, we consider the fundamental question of making an estimator fair while preserving its prediction accuracy as much as possible. To that end, we define its projection to fairness as its closest fair estimator in a sense that reflects prediction accuracy. Our methodology leverages tools from optimal transport to construct efficiently the projection to fairness of any given estimator as a simple post-processing step. Moreover, our approach precisely quantifies the cost of fairness, measured in terms of prediction accuracy.

研究の動機と目的

• 回帰推定器の公平性を著しく精度を低下させることなく実現するという根本的課題に取り組む。
• 予測性能を保持する観点から、数学的に厳密な「最も近い公平推定器」の定義を提示する。
• 回帰モデルにおける公平性を達成するための計算効率の良い事後処理技術を開発する。
• 精度の低下という形での公平性の正確なコストを定量化する。

提案手法

• 本稿では、予測精度を反映する距離尺度を用い、最適輸送を用いて距離を測定することで、公平性への投影を、予測誤差を最小化する公平な推定器として定式化する。
• 公平性制約を条件付きモーメント制約として定式化し、予測値が感受性属性に依存しないことを保証する。
• 最適輸送から導かれる凸最適化問題を用いて投影を計算し、数値的に効率的に解けるようにする。
• この手法は事後処理ステップとして動作し、あらかじめ訓練された任意の回帰モデルに適用可能である。
• フレームワークにより、元の推定器と投影された推定器の距離を通じて、公平性の精度コストを正確に定量化できる。
• このアプローチは分布に依存せず、元のモデルの再訓練を必要としない。

実験結果

リサーチクエスチョン

• RQ1 与えられた回帰モデルに対して、予測精度を保持しつつ、『最も近い』公平推定器をどのように定義できるか？
• RQ2 回帰における公平性制約を強制する際、予測精度が最小限に低下するのはどの程度か？
• RQ3 再訓練を伴わずに、効率的に推定器の公平な投影を計算することは可能か？
• RQ4 最適輸送をどのように用いることで、公平性と精度のトレードオフを原理的かつ整合的にモデル化できるか？

主な発見

• 最適輸送を基盤とする距離尺度を用いることで、公平性制約下での予測誤差を最小化する形で、公平性への投影が一意に定義される。
• この手法により、公平性を達成するために必要な最小限の精度損失を正確に計算可能であり、公平性と精度のトレードオフを明確に定量化できる。
• この投影は、元のモデルの学習手順に依存しない形で、効率的な事後処理として計算可能である。
• このフレームワークはあらゆる回帰推定器に適用可能であり、モデルの関数形に関する仮定を必要としない。
• このアプローチは分布に依存しない公平性補正手法を提供し、さまざまなデータ分布にわたり高いロバストネスを示す。
• 公平性のコストは正確に測定可能であり、感受性属性と結果との間の依存度に依存する。