均等化されたオッズ

均等化オッズ[ ^1]は、条件付き手続き精度、平等性、および不均衡な不当な扱いとも呼ばれ、機械学習における公平性の尺度です。分類器がこの定義を満たすのは、保護されたグループと保護されていないグループの被験者の真陽性率と偽陽性率が等しく、^[2]次の式を満たす場合です。

$${\displaystyle P(R=+|Y=y,A=a)=P(R=+|Y=y,A=b)\quad y\in \{+,-\}\quad \forall a,b\in A}$$

例えば、は性別、人種、あるいはバイアスを排除したいその他の特性であり、 は対象者が学位取得の資格を満たしているかどうかであり、出力は大学が対象者に学位取得のための勉強をさせるかどうかの決定です。この文脈において、 の「ベースレート」がグループ間で異なる場合、オッズ均等化の条件を満たすには、テストの点数が同程度の白人と比較してアフリカ系アメリカ人の大学進学率が高いことが必要になるかもしれません。 ${\displaystyle A}$ ${\displaystyle Y}$ ${\displaystyle R}$ ${\displaystyle Y}$

この概念はもともと2値クラス向けに定義されました。2017年にWoodworthらは、この概念を複数のクラス向けにさらに一般化しました。^[3]${\displaystyle Y}$

参照

• 公平性（機械学習）
• 色覚異常（人種分類）

参考文献

1. ( 2016). 「教師あり学習における機会の平等」. Neural Information Processing Systems . 29. arXiv : 1610.02413 .
2. 「ML2における公平性：機会均等と確率」（PDF） . www2.cs.duke.edu/ . デューク大学コンピュータサイエンス学部.
3. Woodworth, Blake; Gunasekar, Suriya; Ohannessian, Mesrob I.; Srebro, Nathan (2017). 「非識別予測子の学習」. 2017年学習理論会議議事録: 1920-1953 . arXiv : 1702.06081 .