Machine Learning with Multitype Protected Attributes: Intersectional Fairness through Regularisation
创建于 更新于
摘要
本文提出基于距离协方差（distance covariance）的正则化框架，以实现多样化类型保护属性下的机器学习模型公平性。针对传统方法忽略多属性交叉群体公平性（公平划区问题），引入联合距离协方差（JdCov）和新颖的拼接距离协方差（CCdCov）作为正则化项，既捕捉线性和非线性依赖，又兼顾高效计算。通过调整调节参数平衡预测准确率与公平性，采用Jensen-Shannon散度辅助校准，实现了对分类和回归任务中多元保护属性公平性的有效控制。实证以COMPAS再犯预测及大型汽车保险索赔数据验证方法有效性，显著减小了交叉群体间预测差异，同时保留合理的预测性能 [page::0][page::1][page::2][page::5][page::6][page::14][page::15][page::16][page::17][page::19][page::20][page::23]
