Page 192 - 《软件学报》2021年第5期

1416 Journal of Software 软件学报 Vol.32, No.5, May 2021

3.2.1 分类任务的公平建模任务
AVD/SD Penalizers 算法 [44] 为计算群体间假阳率和假阴率近似的最优分类器,其分别惩罚不同群体到决策
边界的距离之差的绝对值或方差,从而得到满足准确率均等的分类结果.
[8]
Counterfactual Fairness 使用因果关系来解决公平问题,提出了反事实公平的概念,通过估计隐变量的后验
分布来减少受保护属性对预测的影响,从而在处理中实现反事实公平的预测.PSCF 算法 [32] 为应对敏感属性可
能沿公平和不公平路径影响决策的场景,通过修正敏感属性的后代属性在不公平因果路径上的观测值,从而实
现特定路径反事实公平的预测,比 Counterfactual Fairness 算法适用范围更广.
针对基于因果模型的公平算法存在难以度量和因果模型不唯一的情况,Muti-World Fairness 算法 [45] 结合多
个可能的因果模型做出近似公平的预测,从而使预测结果满足反事实公平,同时可缓解确定因果模型困难的问
题.PC-Fairness 算法 [46] 认为特定路径反事实公平涵盖了基于因果关系的公平概念,其采用响应变量函数,以衡量
不可识别情况下的特定路径的反事实影响,进一步给出特定路径反事实影响紧确界.实验证明,PC-Fairness 算法
在反事实影响的度量上比 CF [47] 算法更准确.
3.2.2 回归任务的公平建模任务
Fair Regression 算法 [48] 为应对公平回归任务中无穷个约束的挑战,首先离散化实值预测空间,并进一步简
化为受约束的代价敏感的分类问题,将约束每个群体的损失最小化问题转换为加权损失最小化的问题,从而使
回归结果满足有界的群体损失(bounded group loss,简称 BGL).
3.2.3 组合优化任务的公平建模任务
GF1A/B 算法 [49] 均考虑将一批不可分割的商品公平地分配给一组有不同偏好参与者的问题.如果没有一组
参与者宁愿重新分配并接受任意其他组根据组规模调整资源后的商品来替代原先分配给本组的商品,那么该
状态是满足帕累托最优的.GF1A [49] 在重新分配商品后,移除弱势组中每位参与者的一件商品;GF1B [49] 在重新分
配商品前,移除更受优待的组中每位参与者的一件商品,从而使用本地纳什最优分配解决该不可分割商品的公
平分配问题.进一步,为了解释现实世界中决策的因果路径以及系统中他人的决策如何影响某个个体,
Counterfactual Privilege 算法 [50] 的目标是最大化总体效益,同时防止某个个体因受保护属性而获得超过阈值的
有益影响,从而提供满足反事实公平的分配方案.
3.2.4 集成学习任务的公平建模任务
TREE01 算法 [51] 考虑为每个组生成最准确的模型,而不损害任何组分类器的准确度,即使用组内的数据训
练满足偏好的解耦分类器,使每个组的大多数个人更喜欢为其分配的分类器,而不是忽略组成员的集中模型(即
合理性)或者分配给任何其他组的模型(即无嫉妒).TREE01 自适应地选择解耦的组属性,递归地在训练数据上
生成满足合理性和无嫉妒性的候选分类器树;剪枝在泛化误差方面违反公平性的候选分类器树,从而实现满足
合理性和无嫉妒公平的分类器.
3.2.5 图计算任务的公平建模任务
Maximin Fairness 算法 [52] 和 Diversity Constraints 算法 [52] 回答社交网络中不同的社群是否公平地分配了干
预措施的效益,解决影响力最大化的公平问题.Maximin Fairness 的策略是最大化受影响比例最小的组;Diversity
Constraints 使每个社群受到的影响至少等于为其按比例分配干预措施受到的影响,从而选择满足公平影响的目
标集.
3.2.6 聚类任务的公平建模任务
Proportionally Fair Clustering 定义 [53] :如果不存在联合簇,那么簇标记是均衡的.Greedy Capture 算法 [53] 使簇
半径围绕簇标记增长,贪心地包含满足公平聚类定义的元素.但是,Greedy Capture 始终产生近似的公平聚类结
果.Local Capture Heuristic [53] 为了搜索更精确的解,迭代地将违反公平聚类定义的簇标记替换为当前包含样本
最少的簇标记,从而生成满足公平聚类定义的聚类结果.
3.3 公平决策任务

算法使用者需要承担公平决策任务,以确保机器学习算法输出结果对每个群体是公平的,即