关于公平建模的现有工作通常假设所有实例的敏感属性都已完全可用,由于获取敏感信息的高成本,在许多现实世界中,这可能并非如此。当未披露或可用的敏感属性时,需要手动注释培训数据的一小部分以减轻偏见。但是,跨不同敏感组的偏斜分布保留了带注释的子集中原始数据集的偏度,这导致了非最佳偏置缓解。为了应对这一挑战,我们提出了对歧视(APOD)的积极惩罚,这是一个交互式框架,以指导有限的注释以最大程度地消除算法偏见的影响。拟议的APOD将歧视惩罚与主动实例选择集成在一起,以有效利用有限的注释预算,从理论上讲,它可以限制算法偏见。根据五个基准数据集的评估,APOD在有限的注释预算下优于最先进的基线方法,并显示出与完全注释的偏见缓解相当的性能,这表明APOD可以使真实世界应用程序受益于敏感信息时的应用是有限的。
translated by 谷歌翻译