Fairness Through Awareness

Summary

Lipschitz-Fairness:
Ähnliche Individueen sollen ähnlich behandelt werden
- Seien d, D Metriken in V und A respektive, dann soll gelten für ein Mapping M: V -> \Delta (A)
- D(M(x), M(y)) <= d(x,y) wobei
- \Delta (A) eine Wahrscheinlichkeitsfunktion über Ergebnisse A ist und
- x, y \in V
Die Schwierigkeit hierbei ist das Finden von d und D
Für die Auswahl des passenden D wird eine Loss-Function verwendet, die Fairness und Güte des Classifiers bewertet
(2) bis (4) auf Seite 5 beschreibt das daraus entstehende Optimierungsproblem
D_{tv} und D_\infty werden als mögliche D vorgeschlagen
- Es folgen Beweise zur Güte
Fairness Problem ist sehr ähnlich zu Differential Privacy Problem
- Allerdings leichter lösbar
Wenn ein Problem Lipschitz-fair ist, erfüllt es auch Statistical Parit, abgesehen von Sonderfällen wie auf Seite 12
In den Fällen ist eine vorgeschlagene Lösung aus den unterschiedenen Klassen S und T alle x \in S mit möglichst kleinen Distanzen Lipschitz-fair nach T zu übertragen und anschließend nurnoch auf T zu arbeiten
- Hieraus ergibt sich auch eine neue Loss-Function, über die zu optimieren ist
Alternative Lösung: Alle x \in S vergraulen, so, dass man diese nicht mehr unfair behandelt, da man sie gar nicht mehr in Zielgruppe führt (Seite 12 unten)

Wenn wir Gruppen haben, auf denen wir anhand einer Unterscheidung nicht fair mit statistical pairity arbeiten können, dann sollten wir diese Unterscheidung weg fallen lassen und Elemente der einen Gruppe passend in die andere integrieren
Kriterium für Lipschitz-Fairness, dieses kennen wir allerdings bereits
Loss-Function könnte implementiert werden, die wir dann zur Optimisierung verwenden können