Statistical learning for constrained functional parameters in infinite-dimensional models with applications in fair machine learning

在算法公平性和机器学习领域中，受限学习变得越来越重要。在这些情况下，预测模型被专门开发来满足预定义的公平性概念。在这里，我们通过统计功能镜头研究了受限统计机器学习的一般问题。我们考虑在一个或多个预先指定的实值函数参数等于零或受到限制的约束下学习一个函数值参数的问题。我们使用拉格朗日乘数公式将受约束的函数参数表征为惩罚风险标准的最小化器。我们证明了最优受限参数的闭合形式解通常是可用的，从而揭示了推动预测模型公平性的机制。我们的结果还建议了受约束参数的自然估计量，可以通过结合数据生成分布的非约束参数的估计来构建。因此，我们用于构建公平机器学习算法的估计过程可以与任何统计学习方法和现成的软件一起使用。我们通过明确考虑一些统计公平性约束的例子并使用几种流行的学习方法实施该方法来展示我们方法的普适性。

解决受限统计机器学习问题，特别是在算法公平性和机器学习领域中的应用。

通过拉格朗日乘数法来表征受限函数参数，将其作为惩罚风险标准的最小化器，并提供了可用于构建公平机器学习算法的估计程序。

论文提供了一种通用的方法来解决受限统计机器学习问题，并且可以与任何统计学习方法和现成的软件一起使用。实验中考虑了多种统计公平性约束，并实现了几种流行的学习方法。

最近在这个领域中，也有一些相关的研究，例如“Fairness Constraints: Mechanisms for Fair Classification”和“Learning Fair Representations”等。