公平与精确同样重要！CMU提出学习公平表征方法，实现算法公平

作者 | 赵晗编译 | Mr Bear编辑 | 丛末所有方法的共同之处在于，为了降低依赖性，在一定程度上必须牺牲准确性。——Calders et al「Building Classifiers with Independency Constraints」在人工智能发展的初期，人们对算法的要求往往停留于「准」的层面，预测结果越精确似乎越好。然而，随着人工智能技术逐渐融入日常生活，人们对于算法「公平性」的要求与日俱增。在本文中，来自 CMU （卡内基 · 梅隆大学）的研究人员赵晗提出了一种通过学习公平表征来实现算法公平的方法。（相关论文发表在ICLR 2020上）图 1：统计均等（Statistical Parity，又称群体公平）和最优决策之间权衡的示意图。在本例中，由于圆形和方形群组之间在群体层面上的还款率不同，为了遵循统计均等，决策者必 ………………………………