Analysis of Trade-offs in Fair Principal Component Analysis Based on Multi-objective Optimization

Autor(es)

Pelegrina, Guilherme D. ; Brotto, Renan D. B. ; Duarte, Leonardo T. ; Attux, Romis ; Romano, Joao M. T. ; IEEE

• Tipo de documento: Artigo Científico
• Fonte: 2022 INTERNATIONAL JOINT CONFERENCE ON NEURAL NETWORKS (IJCNN); v. N/A, p. 8-pg., 2022-01-01.

Resumo

In dimensionality reduction problems, the adopted technique may produce disparities between the representation errors of different groups. For instance, in the projected space, a specific class can be better represented in comparison with another one. In some situations, this unfair result may introduce ethical concerns. Aiming at overcoming this inconvenience, a fairness measure can be considered when performing dimensionality reduction through Principal Component Analysis. However, a solution that increases fairness tends to increase the overall re-construction error. In this context, this paper proposes to address this trade-off by means of a multi-objective-based approach. For this purpose, we adopt a fairness measure associated with the disparity between the representation errors of different groups. Moreover, we investigate if the solution of a classical Principal Component Analysis can be used to find a fair projection. Numerical experiments attest that a fairer result can be achieved with a very small loss in the overall reconstruction error. (AU)

• Processo FAPESP: 20/09838-0 - BI0S - Brazilian Institute of Data Science
• Beneficiário: João Marcos Travassos Romano
• Modalidade de apoio: Auxílio à Pesquisa - Programa Centros de Pesquisa em Engenharia
• Processo FAPESP: 19/20899-4 - Antiesparsidade e equidade em processamento de sinais: da separação cega de fontes ao aprendizado de máquina equânime
• Beneficiário: Renan Del Buono Brotto
• Modalidade de apoio: Bolsas no Brasil - Doutorado
• Processo FAPESP: 20/01089-9 - Separação não-supervisionada de sinais: um estudo sobre a aplicabilidade de redes generativas adversárias e sobre modelos não-lineares baseados na Integral de Choquet
• Beneficiário: Leonardo Tomazeli Duarte
• Modalidade de apoio: Auxílio à Pesquisa - Regular
• Processo FAPESP: 20/10572-5 - Novas abordagens para lidar com imparcialidade e transparência em problemas de aprendizado de máquina
• Beneficiário: Guilherme Dean Pelegrina
• Modalidade de apoio: Bolsas no Brasil - Pós-Doutorado
• Processo FAPESP: 21/11086-0 - Interpretabilidade e equidade em aprendizado de máquina: funções baseadas na capacidade e índices de interação
• Beneficiário: Guilherme Dean Pelegrina
• Modalidade de apoio: Bolsas no Exterior - Estágio de Pesquisa - Pós-Doutorado