Fair machine learning through constrained stochastic optimization and an ϵ-constraint method

A strategy for fair supervised learning is proposed. It involves formulating an optimization problem to minimize loss subject to a prescribed bound on a measure of unfairness (e.g., disparate impact). It can be embedded within an ϵ -constraint method for multiobjective optimization, allowing one to...

Celý popis

Podrobná bibliografie

Vydáno v:	Optimization letters Ročník 18; číslo 9; s. 1975 - 1991
Hlavní autoři:	Curtis, Frank E., Liu, Suyun, Robinson, Daniel P.
Médium:	Journal Article
Jazyk:	angličtina
Vydáno:	Berlin/Heidelberg Springer Berlin Heidelberg 01.12.2024
Témata:	Computational Intelligence Mathematics Mathematics and Statistics Numerical and Computational Physics Operations Research/Decision Theory Optimization Original Paper Simulation Stochastic multiobjective optimization Fair machine learning
ISSN:	1862-4472, 1862-4480
On-line přístup:	Získat plný text
Tagy:	Přidat tag Žádné tagy, Buďte první, kdo vytvoří štítek k tomuto záznamu!