ترجمه فارسی مقاله «مردسالاری به مردان هم آسیب می‌زند.» آیا مدل شما با این موضوع موافق است؟ بحثی در مورد پیش‌فرض‌های انصاف

چکیده

The pipeline of a fair ML practitioner is generally divided into three phases: 1) Selecting a fairness measure. 2) Choosing a model that minimizes this measure. 3) Maximizing the model’s performance on the data. In the context of group fairness, this approach often obscures implicit assumptions about how bias is introduced into the data. For instance, in binary classification, it is often assumed that the best model, with equal fairness, is the one with better performance. However, this belief already imposes specific properties on the process that introduced bias. More precisely, we are already assuming that the biasing process is a monotonic function of the fair scores, dependent solely on the sensitive attribute. We formally prove this claim regarding several implicit fairness assumptions. This leads, in our view, to two possible conclusions: either the behavior of the biasing process is more complex than mere monotonicity, which means we need to identify and reject our implicit assumptions in order to develop models capable of tackling more complex situations; or the bias introduced in the data behaves predictably, implying that many of the developed models are superfluous.

چکیده به فارسی (ترجمه ماشینی)

خط لوله یک پزشک منصفانه به طور کلی به سه مرحله تقسیم می شود: 1) انتخاب یک اندازه گیری انصاف.2) انتخاب مدلی که این اندازه گیری را به حداقل می رساند.3) به حداکثر رساندن عملکرد مدل بر روی داده ها.در زمینه انصاف گروه ، این رویکرد اغلب فرضیات ضمنی را در مورد نحوه معرفی تعصب به داده ها مبهم می کند.به عنوان مثال ، در طبقه بندی باینری ، اغلب فرض بر این است که بهترین مدل ، با انصاف برابر ، مدل با عملکرد بهتر است.با این حال ، این اعتقاد در حال حاضر خواص خاصی را به فرآیند معرفی تعصب تحمیل می کند.به طور دقیق تر ، ما در حال حاضر فرض می کنیم که فرآیند تعصب یک عملکرد یکنواخت از نمرات عادلانه است که صرفاً به ویژگی حساس بستگی دارد.ما به طور رسمی این ادعا را در مورد چندین فرضیه ضمنی انصاف اثبات می کنیم.این امر ، از نظر ما ، به دو نتیجه گیری احتمالی منجر می شود: یا رفتار فرآیند تعصب پیچیده تر از یکنواختی صرف است ، به این معنی که ما باید فرضیات ضمنی خود را شناسایی و رد کنیم تا مدل هایی را که قادر به مقابله با موقعیت های پیچیده تر هستند ، توسعه دهیم.یا تعصب معرفی شده در داده ها به طور قابل پیش بینی رفتار می کند ، دلالت بر اینکه بسیاری از مدلهای توسعه یافته اضافی هستند.