新方法支持隐私保护的种族/民族公平性测量

一篇新论文介绍了隐私保护的概率种族/民族估计（PPRE）方法，该方法旨在在保护隐私的前提下，实现针对美国领英（LinkedIn）会员的种族和民族公平性测量。PPRE 集成了安全两方计算、差分隐私和加性同态加密，并结合了两个不同的群体信号源。这两个信号源包括贝叶斯改进姓氏地理编码估计器（Bayesian Improved Surname Geocoding estimator）和一份包含自我报告人口统计信息的调查集，旨在为候选人和浏览者评估提供稳健的公平性指标。该框架被提出可以迁移给其他希望构建类似隐私保护测量基础设施的机构。 AI

影响 这项研究为人工智能系统在遵守严格隐私法规的同时，跨群体测量公平性提供了一个框架。

排序理由 该集群包含一篇研究论文，详细介绍了一种新的公平性测量方法。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• additive homomorphic encryption
• arXiv
• Bayesian Improved Surname Geocoding estimator
• differential privacy
• LinkedIn
• Osonde Osoba
• Privacy-Preserving Probabilistic Race/Ethnicity Estimation
• secure two-party computation
• U.S.

• 论文
• 安全

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →