[論文レビュー] The price for fairness in a regression framework.

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

Philosophy and History of Science参考文献 7被引用数 1

ひとこと要約

本稿では、予測精度の損失を最小限に抑えるために最適輸送理論を活用し、任意の回帰推定器を公平な推定器の空間に射影する後処理手法を提案する。この手法により、公平性の正確なコストが性能低下として測定可能となり、最小限の精度の妥協でより公平なモデルを実現できる。

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

• 回帰モデルにおける公平性と予測精度の根本的トレードオフを解消すること。
• 予測精度を保持する観点から、「最も近い公平な推定子」という数学的に厳密な概念を定義すること。
• モデルの再訓練を伴わずに公平性を達成する効率的な後処理技術を開発すること。
• 予測精度の損失としての公平性の正確なコストを定量化すること。
• 任意の回帰推定器に適用可能な一般化されたフレームワークを提供すること。

提案手法

• 本稿では、ヒルバート空間におけるL2距離を最小化することで、元の推定子に最も近い公平な推定子としての射影を定義する。
• 最適輸送の道具を用いて、この射影を効率的に計算し、パラメータ空間における幾何的制約として公平性制約を扱う。
• この手法は後処理ステップとして動作し、再訓練を伴わず、任意の推定子を公平な形に変換する。
• 公平性制約は条件付き期待値制約として定式化され、文脈に応じて統計的同等性または等しいオッズを保証する。
• 公平性と元の推定子への近接性のバランスを取る凸最適化問題として射影が計算される。
• このフレームワークにより、元の推定子と公平な推定子の差の二乗L2ノルムとして、正確な精度コストが測定可能となる。

実験結果

リサーチクエスチョン

• RQ1 回帰推定子を公平にするために必要な予測精度の最小限の低下は何か？
• RQ2 再訓練を伴わず、既存の推定子に公平性を強制する方法は何か？
• RQ3 予測精度の観点から、与えられた元の推定子に最も近い最適な公平な推定子は何か？
• RQ4 異なるモデル間で、公平性のコストを正確に測定・比較する方法は何か？
• RQ5 最適輸送理論は回帰における公平性射影に効果的に応用可能か？

主な発見

• L2の意味で「最も近い公平な推定子」としての射影は一意に定義され、予測精度の損失が最小限に抑えられる。
• この手法により、元の推定子と公平な推定子の差の二乗L2ノルムとして、正確な公平性コストが計算可能となる。
• このアプローチは計算的に効率的であり、任意の回帰モデルに後処理として適用可能である。
• このフレームワークにより、公平性と精度の間の定量的トレードオフ曲線が得られ、意思決定に役立つ。
• 最適輸送フレームワークにより、高次元設定でさえも正確かつスケーラブルな公平性射影が可能となる。
• この手法は、予測性能の低下が予測可能でかつ有界であることを示している。