Fairness Through Awareness

Summary

Original Paper

• Lipschitz-Fairness:
• Ähnliche Individueen sollen ähnlich behandelt werden
  • Seien d, D Metriken in V und A respektive, dann soll gelten für ein Mapping M: V -> \Delta (A)
  • D(M(x), M(y)) <= d(x,y) wobei
  • \Delta (A) eine Wahrscheinlichkeitsfunktion über Ergebnisse A ist und
  • x, y \in V
• Die Schwierigkeit hierbei ist das Finden von d und D
• Für die Auswahl des passenden D wird eine Loss-Function verwendet, die Fairness und Güte des Classifiers bewertet
• (2) bis (4) auf Seite 5 beschreibt das daraus entstehende Optimierungsproblem
• D_{tv} und D_\infty werden als mögliche D vorgeschlagen
  • Es folgen Beweise zur Güte

Tasks and Ideas