ترجمه فارسی مقاله تقریب تبعیض در مدل ها هنگام مواجهه با چندین ویژگی حساس غیر باینری

چکیده

Discrimination mitigation with machine learning (ML) models could be complicated because multiple factors may interweave with each other including hierarchically and historically. Yet few existing fairness measures are able to capture the discrimination level within ML models in the face of multiple sensitive attributes. To bridge this gap, we propose a fairness measure based on distances between sets from a manifold perspective, named as ‘harmonic fairness measure via manifolds (HFM)’ with two optional versions, which can deal with a fine-grained discrimination evaluation for several sensitive attributes of multiple values. To accelerate the computation of distances of sets, we further propose two approximation algorithms named ‘Approximation of distance between sets for one sensitive attribute with multiple values (ApproxDist)’ and ‘Approximation of extended distance between sets for several sensitive attributes with multiple values (ExtendDist)’ to respectively resolve bias evaluation of one single sensitive attribute with multiple values and that of several sensitive attributes with multiple values. Moreover, we provide an algorithmic effectiveness analysis for ApproxDist under certain assumptions to explain how well it could work. The empirical results demonstrate that our proposed fairness measure HFM is valid and approximation algorithms (i.e., ApproxDist and ExtendDist) are effective and efficient.

چکیده به فارسی (ترجمه ماشینی)

کاهش تبعیض با مدل های یادگیری ماشین (ML) می تواند پیچیده باشد زیرا عوامل متعدد ممکن است با یکدیگر از جمله سلسله مراتبی و تاریخی در ارتباط باشند.با این حال ، تعداد کمی از اقدامات انصاف موجود در مواجهه با چندین ویژگی حساس قادر به جذب سطح تبعیض در مدل های ML هستند.برای عبور از این شکاف ، ما یک اندازه گیری انصاف را بر اساس فاصله بین مجموعه ها از دیدگاه منیفولد پیشنهاد می کنیم ، که به عنوان “اندازه گیری انصاف هارمونیک از طریق مانیفولد (HFM)” با دو نسخه اختیاری نامگذاری شده است ، که می تواند با یک ارزیابی تبعیض ریز برای چندین حساس مقابله کندویژگی های مقادیر متعدد.برای تسریع در محاسبه فاصله های مجموعه ها ، ما دو الگوریتم تقریب به نام “تقریب فاصله بین مجموعه ها برای یک ویژگی حساس با مقادیر متعدد (تقریبی)” و “تقریب فاصله گسترده بین مجموعه ها برای چندین ویژگی حساس با چندین مقادیر (extenddistististististististist) پیشنهاد می کنیم.) برای حل و فصل ارزیابی تعصب یک ویژگی حساس واحد با مقادیر متعدد و چندین ویژگی حساس با مقادیر متعدد.علاوه بر این ، ما یک تجزیه و تحلیل اثربخشی الگوریتمی را برای تقریب تحت فرضیات خاص ارائه می دهیم تا توضیح دهیم که چقدر خوب می تواند کار کند.نتایج تجربی نشان می دهد که اندازه گیری انصاف پیشنهادی ما HFM معتبر است و الگوریتم های تقریب (یعنی ، تقریب و گسترده) مؤثر و کارآمد هستند.