二値および多クラス分類タスクにおける公平性を高めるための一般化指数勾配アプローチ

要旨: 敏感な領域におけるAIおよびMLモデルの広範な利用は、公平性に関して重大な懸念を引き起こします。研究コミュニティは二値分類タスクにおけるバイアス緩和のためにさまざまな手法を提案してきましたが、多クラス分類設定ではその問題が十分に検討されていません。本論文では、この制限に対処するために、まず多クラス分類における公正学習の問題を、有効性（すなわち予測の正しさ）と複数の線形な公平性制約のあいだの多目的問題として定式化します。次に、この課題を解くための一般化指数勾配（GEG）アルゴリズムを提案します。GEGは、複数の公平性定義の下で、二値および多クラス分類設定における公平性を高めるイン・プロセス（学習過程内）型のアルゴリズムです。GEGについて、広く採用されている4つの有効性指標と3つの公平性定義を用い、7つの多クラスデータセットと3つの二値データセットに対して、6つのベースラインと比較した大規模な実証評価を行います。GEGは既存のベースラインを上回り、公平性の改善は最大92%で、精度の低下は最大14%です。