[論文レビュー] Towards Fairness-Aware Multi-Objective Optimization

Guo Yu, Lianbo Ma+3 more|arXiv (Cornell University)|Jul 22, 2022

Health Systems, Economic Evaluations, Quality of Life被引用数 4

ひとこと要約

本稿は、ユーザーの好みを多目的最適化に統合することで、機械学習における公平性と効用のバランスをとる公平性に配慮した多目的最適化（FMO）を導入する。公平性を性能指標とともにある制約付きの目的関数としてモデル化するフレームワークを提案し、事例研究を通じて、利益や正確性といった主目的の著しい犠牲を伴わずに公平性を達成できることを示している。

ABSTRACT

Recent years have seen the rapid development of fairness-aware machine learning in mitigating unfairness or discrimination in decision-making in a wide range of applications. However, much less attention has been paid to the fairness-aware multi-objective optimization, which is indeed commonly seen in real life, such as fair resource allocation problems and data driven multi-objective optimization problems. This paper aims to illuminate and broaden our understanding of multi-objective optimization from the perspective of fairness. To this end, we start with a discussion of user preferences in multi-objective optimization and then explore its relationship to fairness in machine learning and multi-objective optimization. Following the above discussions, representative cases of fairness-aware multiobjective optimization are presented, further elaborating the importance of fairness in traditional multi-objective optimization, data-driven optimization and federated optimization. Finally, challenges and opportunities in fairness-aware multi-objective optimization are addressed. We hope that this article makes a small step forward towards understanding fairness in the context of optimization and promote research interest in fairness-aware multi-objective optimization.

研究の動機と目的

• リソース配分やデータ駆動型最適化のような実世界の応用分野における多目的設定における公平性に配慮した最適化のギャップを埋める。
• ユーザー中心の意思決定における共通の原則を同定することで、公平性に配慮した機械学習（FML）と好み駆動型多目的最適化（PMO）を橋渡しする。
• 利益や正確性といった主目的を著しく損なわずに、公平性を多目的最適化に統合できることを実証する。
• 伝統的、データ駆動型、フェデレーテッド最適化の各設定における公平性に配慮した多目的最適化の課題と機会を強調する。
• ステークホルダーの好みを組み込む人間を含めた最適化アプローチを提唱し、パレート最適解の探索を支援する。

提案手法

• 公平性指標と効用（例：正確性、利益）を競合する目的として扱う多目的最適化問題として、公平性を形式化する。
• 好み駆動型多目的最適化（PMO）技術を適応し、参照ベクトルや重みベクトルを用いて、公平性と効用の間の意思決定者の相対的優先順位を表現する。
• FML（例：個人的公平性、グループ公平性）からの公平性の概念を最適化目的にマッピングするフレームワークを導入し、トレードオフ分析を可能にする。
• 進化的およびスカラライゼーションベースの最適化手法を用いて、パレート最適解の領域を探索し、ユーザーの好みに合致する解を特定する。
• 電気自動車の充電料金の動的設定といった実世界のシナリオにフレームワークを適用し、価格配分の公平性と利益最大化の両立を図る。
• 事例研究を通じて、公平性の向上が主目的の指標を著しく劣化させないことを検証し、FMOの実用的妥当性を支持する。

実験結果

リサーチクエスチョン

• RQ1 公平性に配慮した機械学習からの公平性の概念を、多目的最適化フレームワークに形式的に統合する方法は何か？
• RQ2 正確性や利益といった主目的を著しく損なわずに、多目的最適化においてどれほど公平性を達成できるか？
• RQ3 ユーザーの好みは、多目的最適化における公平で効果的な解の探索をどのように導くか？
• RQ4 個人的公平性とグループ公平性のような対立する公平性指標は、多目的最適化の文脈でどのように相互作用するか？
• RQ5 データ駆動型およびフェデレーテッド最適化のシナリオへの公平性に配慮した最適化の拡張において、主な課題と機会は何か？

主な発見

• 動的電気自動車充電料金設定の事例で、期待される利益を損なわせることなく公平性を向上させたことから、公平性に配慮した多目的最適化が実現可能で効果的であることが示された。
• 重みベクトルによるユーザーの好みの統合により、パレート最適解上での公平性と効用の最適なトレードオフを的確に探索できる。
• 事例研究から、主な性能指標への顕著な損失を伴わずに公平性制約を最適化に組み込むことができ、FMOの実用的妥当性が裏付けられた。
• 公平性に配慮した機械学習と好み駆動型多目的最適化の間には、強い概念的・手法論的重なりがあり、共通の設計原則が存在することが示唆された。
• 本稿では、特にフェデレーテッドおよびデータ駆動型の設定において、公平性に配慮した多目的最適化がまだ十分に検討されていないこと、大きな研究ギャップがあることが同定された。
• フレームワークは反復的でステークホルダーが関与する最適化を支援し、現実世界のフィードバックと好みに基づいた公平性-効用のトレードオフの動的調整を可能にする。