申请试用
HOT
登录
注册
 
Delayed Impact of Fair Machine Learning

Delayed Impact of Fair Machine Learning

Jane
/
发布于
/
4157
人观看
机器学习的公平性主要在静态分类设置中进行研究,而不关心决策如何随着时间的推移改变基础人口。传统观点认为,公平标准可以促进他们旨在保护的群体的长期福祉。 我们研究静态合理标准如何与幸福的时间指标相互作用,例如利益变量长期改善、停滞和衰退。我们证明,即使在一步反馈模型中,共同的公平标准通常也不会促进随着时间的推移而改善,并且实际上可能在无约束的目标不会导致损害的情况下造成伤害。我们完整的描述了三个标准规则的延迟影响,对比了这些标准表现出在质量上不同的行为。此外,我们发现,自然形式的测量误差扩大了公平标准有利地发挥作用的范围。 我们的结果强调了测量和时间建模在评估公平标准中的重要性,提出了一系列新的挑战和权衡取舍。
12 点赞
4 收藏
1下载
相关文档
确认
3秒后跳转登录页面
去登陆