Garantie d'équité dans la classification multi-classes.

Résumé L'équité algorithmique est un domaine établi de l'apprentissage automatique, désireux de réduire l'influence des biais dans les données. Pourtant, malgré son large éventail d'applications, très peu de travaux considèrent le cadre de la classification multi-classes du point de vue de l'équité. Nous abordons cette question en étendant la définition de la parité démographique au problème multi-classes tout en spécifiant l'expression correspondante du classifieur équitable optimal. Cela suggère une procédure enfichable pilotée par les données, pour laquelle nous établissons des garanties théoriques. Plus précisément, nous montrons que l'estimateur amélioré imite le comportement de la règle optimale, tant en termes d'équité que de risque. Notamment, la garantie d'équité est sans distribution. Nous illustrons numériquement la qualité de notre algorithme. La procédure se révèle beaucoup plus appropriée qu'une approche alternative appliquant des contraintes d'équité sur le score associé à chaque classe. Cela montre que notre méthode est empiriquement très efficace pour prendre des décisions équitables sur des ensembles de données tant synthétiques que réels.