【论文标题】Can I Trust My Fairness Metric? Assessing Fairness with Unlabeled Data and Bayesian Inference 【作者团队】Disi Ji，Padhraic Smyth，Mark Steyvers 【发表时间】2020.10.19 【论文链接】https://arxiv.org/abs/2010.09851 【推荐理由】论文收录于NeurIPS-2020会议，研究人员提出一个通用的贝叶斯框架，可以利用未标记的数据增强标注数据，以产生比单独基于标注数据方法更准确、更低方差的估计

研究人员主要研究在标记的样例很少而未标记样例很多的情况下，如何可靠的评估群体公平性问题。研究人员提出一种方法，使用一个以标签化实例为条件的分层潜变量模型来估计每组中未标签化的实例的校准分数，这反过来又允许推断后验分布与相关的不确定性概念的各种公平性指标。实验证明，论文方法可以在多个著名的公平性数据集、敏感属性和预测模型中显著且一致的减少估计误差，同时实验结果表明，在评估一个预测模型是否公平的方面，使用未标记的数据和贝叶斯推理都是有效果的。

图：层次beta校准的模型图

内容中包含的图片若涉及版权问题，请及时与我们联系删除