<mark id="oztn4"></mark>
0
雷鋒網(wǎng) AI 科技評論按：隨著機(jī)器學(xué)習(xí)系統(tǒng)越來越多地運(yùn)用于許多重大決策中，如何對其公平性實(shí)現(xiàn)精細(xì)地控制已經(jīng)成了我們亟需解決的問題。為解決這一問題，目前已有一些研究人員通過引入公平機(jī)器學(xué)習(xí)模型來平衡準(zhǔn)確性和公平性，然而，一些包括公司、政府在內(nèi)的機(jī)構(gòu)態(tài)度不明朗甚至持與公平對立的立場，所以他們往往不會選擇使用這些公平模型。在這樣的環(huán)境下，斯坦福 AI 實(shí)驗(yàn)室的研究人員通過引入了一種新的方法，即令關(guān)注公平的有關(guān)方通過對不公平性進(jìn)行具體限制來控制表示的公平性，從而對機(jī)器學(xué)習(xí)中的公平性實(shí)現(xiàn)可控性。斯坦福 AI 實(shí)驗(yàn)室發(fā)布文章介紹了這一成果，雷鋒網(wǎng) AI 科技評論編譯如下。
機(jī)器學(xué)習(xí)系統(tǒng)越來越多地被應(yīng)用于高風(fēng)險決策中，對信用評分、刑事判決等領(lǐng)域都帶來了影響。這就提出了一個亟待解決的問題：我們?nèi)绾未_保這些制度不因種族、性別、殘疾或其他少數(shù)群體身份而產(chǎn)生歧視性行為？為解決這一問題，一些研究人員通過引入公平機(jī)器學(xué)習(xí)模型來平衡準(zhǔn)確性和公平性；然而，一些包括公司、政府在內(nèi)的機(jī)構(gòu)態(tài)度不明朗甚至持與公平對立的立場，所以他們往往不會選擇使用這些公平模型。
值得慶幸的是，目前已有研究人員提出了一些用以學(xué)習(xí)公平表示的方法。關(guān)注公平的有關(guān)方（如數(shù)據(jù)采集者、社區(qū)組織者或監(jiān)管機(jī)構(gòu)） 使用這些方法，可以將數(shù)據(jù)轉(zhuǎn)換為公平表示，然后僅呈現(xiàn)表示，進(jìn)一步提高公平性，從而使所有下游機(jī)器學(xué)習(xí)模型更難產(chǎn)生歧視性行為。
圖 1 學(xué)習(xí)和最終以控制良好的數(shù)據(jù)公平表示呈現(xiàn)，能夠抑制下游機(jī)器學(xué)習(xí)產(chǎn)生歧視性行為
在這篇文章中，我們介紹了一種基于理論的機(jī)器學(xué)習(xí)公平表示方法，并且我們還發(fā)現(xiàn)一系列現(xiàn)有方法都屬于該方法的特例。此外，我們還注意到所有現(xiàn)有的機(jī)器學(xué)習(xí)公平表示方法，也可以用來平衡有用性和公平性，產(chǎn)生有用性和公平性兩者相平衡的表示。然后有關(guān)方必須多次運(yùn)行學(xué)習(xí)流程，直到找到他們滿意的表示結(jié)果。基于這種理論，我們引入了一種新的方法，即令有關(guān)方通過對不公平性進(jìn)行具體限制來控制表示的公平性。與早期的公平表示相比，這種方式可以讓機(jī)器更快地學(xué)到，同時滿足多個公平概念的要求，并涵蓋更多有用的信息。
我們首先假設(shè)得到一組通常用來表示人的數(shù)據(jù)點(diǎn)（x）以及他們的敏感屬性（u），這些屬性通常是指他們的種族、性別或其他少數(shù)群體身份。我們必須學(xué)習(xí)一個模型（q?）來將任一數(shù)據(jù)點(diǎn)映射到新的表示 （z） 上。我們的目標(biāo)是雙重的：該表示應(yīng)該是能夠表達(dá)出信息的，即包含數(shù)據(jù)點(diǎn)相關(guān)的大量有用信息；同時這一表示應(yīng)該是公平的，即包含有關(guān)敏感屬性的限制信息；這樣的做法可以抑制機(jī)器學(xué)習(xí)下游產(chǎn)生歧視性行為（為了簡潔起見，我們聚焦人口均等，這是一種非常直觀和嚴(yán)格的公平概念，但我們的方法適用于許多公平概念，如后面的結(jié)果所示）。請注意，僅僅從數(shù)據(jù)中刪除敏感屬性（例如種族）并不能滿足這種公平概念，因?yàn)橄掠螜C(jī)器學(xué)習(xí)模型可能會基于相關(guān)特征（例如郵政編碼），這種做法稱為「劃紅線注銷（redlining）」。
首先，我們將我們的目標(biāo)轉(zhuǎn)化為互信息（mutual information）的信息理論概念。兩個變量之間的互信息被正式定義為變量的聯(lián)合概率與變量的邊緣概率乘積之間的 KL 散度（Kullback-Leibler Divergence）
；直觀而言，這是共享的信息總數(shù)，我們的目標(biāo)具體如下：
為了實(shí)現(xiàn)表現(xiàn)力，我們希望最大化數(shù)據(jù)點(diǎn) x 和以敏感屬性 u 條件的表示 z 之間的互信息：max I（x;z∣u）。（通過限制敏感屬性，我們確保刺激數(shù)據(jù)點(diǎn)中與敏感屬性相關(guān)的信息出現(xiàn)在表示中。）
為了實(shí)現(xiàn)公平，我們希望限制表示 z 和敏感屬性 u 之間的互信息：I（z;u）<?，其中 ? 由有關(guān)方設(shè)置。
接下來，由于兩組互信息都很難得到優(yōu)化，我們需要尋找近似值：
我們用最大化下邊界?Lr≤I（x;z∣u）來取代最大化 I（x;z∣u）的方法，而最大化下邊界則依賴于我們引入的一個新模型 pθ（x∣z,u）。我們可以明顯發(fā)現(xiàn)，最大化?Lr 會有利于映射出，表示 z 加上敏感屬性 u 得到的新模型可以成功地重建數(shù)據(jù)點(diǎn) x。
接著，我們通過約束上限 C1≥I（z;u）來代替對 I（z;u）的約束。很顯然，對 C1 的約束則可以阻止復(fù)雜表示。
或者我們也可以約束與 I（z；u）更相關(guān)的近似值——C2，它依賴于我們引入的一個新模型 pψ（u∣z）。而約束 C2 可以阻止新模型 pψ 使用表示 z 來重構(gòu)敏感屬性 u 的映射。
綜上所述，我們的最終目標(biāo)是找到模型 q?、 pθ, 和 pψ 來幫助成功實(shí)現(xiàn)對數(shù)據(jù)點(diǎn) x 的重建，同時限制表示 z 的復(fù)雜性，并限制敏感屬性 u 的重構(gòu)：
圖 2 學(xué)習(xí)公平表示的「硬約束」目標(biāo)
其中 ?1 和 ?2 是有關(guān)方設(shè)定的限制。
這為我們提供了一個學(xué)習(xí)公平表示的原則性方法。我們還得到了一個巧妙的發(fā)現(xiàn)：事實(shí)證明，現(xiàn)有的一系列學(xué)習(xí)公平表示的方法優(yōu)化了我們的雙重目標(biāo)，得到一個「軟正則化」（soft-regularized）版本！
圖 3 學(xué)習(xí)公平表示的「軟正則化」損失函數(shù)
我們可以看到該框架泛化了一系列現(xiàn)有方法！
現(xiàn)在讓我們仔細(xì)觀察「軟正則化」損失函數(shù)，可以明顯發(fā)現(xiàn)現(xiàn)有的學(xué)習(xí)公平表示的方法會產(chǎn)生有用性和公平性兼具的表示，表現(xiàn)力和公平性之間的平衡由 λs 的選擇所控制。如果我們能優(yōu)化我們的「硬約束」目標(biāo)，那么有關(guān)方就可以通過設(shè)置 ?，來對不公平性進(jìn)行具體限制。
所以，我們引入了：
圖 5 機(jī)器學(xué)習(xí)可控公平表示的損失函數(shù)
直觀而言該損失函數(shù)意味著，每當(dāng)我們考慮由于 C1>?1 或 C2>?2 導(dǎo)致的不公平時，λs 將額外強(qiáng)調(diào)未滿足的約束；這種額外的強(qiáng)調(diào)將一直持續(xù)到 C1 和 C2 滿足有關(guān)方設(shè)定的限制為止。而當(dāng) C1 和 C2 在安全在限制范圍內(nèi)時，將優(yōu)先考慮最小化 Lr ，進(jìn)而有利于產(chǎn)生富有表現(xiàn)力的表示。
有了最后一塊拼圖，剩下的就是評估我們的理論是否能使其在實(shí)踐中學(xué)習(xí)可控的公平表現(xiàn)。為了進(jìn)行評估，我們學(xué)習(xí)了三個真實(shí)數(shù)據(jù)集的表示：
UCI 德國信用數(shù)據(jù)集，包含 1,000 個人，其中二進(jìn)制敏感屬性滿足條件 age<50 / age>50 的應(yīng)受到保護(hù)。
來自美國人口普查的 40000 名成人的 UCI 成人數(shù)據(jù)集，其中二進(jìn)制敏感屬性 Man / Woman 應(yīng)受到保護(hù)。（性別不是二元的，在使用這些數(shù)據(jù)集時將性別視為二元是有問題的，也是這項(xiàng)工作的局限）
60，000 名患者的遺傳健康數(shù)據(jù)集，其中要保護(hù)的敏感屬性是年齡和性別的交集：年齡組 (9 個可能的年齡組) × 性別 （Man / Woman）
不出所料，我們的結(jié)果證實(shí)在所有三組學(xué)習(xí)公平表示中，有關(guān)方對 ?1 和?2 的選擇，控制了不公平的近似值 C1 和 C2。
圖 6 三個真實(shí)數(shù)據(jù)集實(shí)驗(yàn)數(shù)據(jù)，我們學(xué)到了滿足 C1 ≈ ?1 和 C2 ≈ ?2 的表示
結(jié)果還表明，與現(xiàn)有方法相比，我們的方法可以產(chǎn)生更具表現(xiàn)力的表示。
圖 7 我們的方法（深藍(lán)色），現(xiàn)有的方法（淺藍(lán)色）
并且，我們的方法能夠同時處理許多公平的概念。
圖 8： 當(dāng)學(xué)習(xí)滿足許多（在人口統(tǒng)計(jì)、幾率均等和機(jī)會均等上的）公平性約束的成人數(shù)據(jù)集表示時，我們的方法學(xué)習(xí)的表示更具表現(xiàn)力，并且表現(xiàn)比除了一種公平標(biāo)準(zhǔn)外的所有標(biāo)準(zhǔn)都更好。
雖然最后兩個結(jié)果可能看起來令人驚訝，但它們得出這一結(jié)果的原因是，現(xiàn)有方法要求有關(guān)方多次運(yùn)行學(xué)習(xí)過程直到找到他們認(rèn)為大致滿意的表示為止，而我們的方法直接優(yōu)化了盡可能具有表現(xiàn)力的表示，同時也同等滿足了所有有關(guān)方對表示不公平的限制。
為了補(bǔ)充公司和政府可以選擇使用的公平機(jī)器學(xué)習(xí)模型，這項(xiàng)工作朝著將公平機(jī)器學(xué)習(xí)的控制權(quán)交給關(guān)注公平的一方（如數(shù)據(jù)采集者、社區(qū)組織者或監(jiān)管機(jī)構(gòu))）邁出了一步。我們?yōu)閷W(xué)習(xí)公平表示提供了一種理論方法，使機(jī)器學(xué)習(xí)下游更難以產(chǎn)生歧視性行為，并且提供了一種新方法，使關(guān)注公平的一方能夠通過 ? 來對不公平性進(jìn)行特定限制從而控制表示的公平性。
研究者在進(jìn)行公平機(jī)器學(xué)習(xí)的研究工作時，認(rèn)識到局限性和盲點(diǎn)尤為重要；否則就會冒著開發(fā)出難以實(shí)際應(yīng)用的解決方案的風(fēng)險，同時掩蓋其他人所同樣付出的努力。我們這項(xiàng)成果的一個主要限制是，關(guān)注公平的一方的 ? 限制了對不公平性的近似值，我們也希望未來的工作可以更進(jìn)一步，并能夠?qū)?ε 進(jìn)行映射從而正式保證機(jī)器學(xué)習(xí)下游的公平性。這項(xiàng)成果的另一個可能存在的限制是，像許多公平機(jī)器學(xué)習(xí)的研究領(lǐng)域一樣，中心人口均等、幾率和機(jī)會均等等公平概念所帶來的限制。我們認(rèn)為，未來的工作需要與社會公正所依據(jù)的平等概念建立更深層次的聯(lián)系，這樣才能避免狹隘的技術(shù)解決方案主義，并建立更公平的機(jī)器學(xué)習(xí)。
論文：Learning Controllable Fair Representations
論文作者：Jiaming Song*, Pratyusha Kalluri*, Aditya Grover, Shengjia Zhao, Stefano Ermon
via http://ai.stanford.edu/blog/controllable-fairness/
雷鋒網(wǎng) AI 科技評論
雷峰網(wǎng)原創(chuàng)文章，未經(jīng)授權(quán)禁止轉(zhuǎn)載。詳情見轉(zhuǎn)載須知。
