面向公平信用评分的分布鲁棒优化方法
机器学习
2024-02-06 v1 计算机与社会
摘要
信用评分已被欧盟委员会和美国总统行政办公室列为高风险分类任务，主要担忧在于基于可能对某些群体存在偏见的模型做出贷款审批决策可能带来的潜在危害。为解决这一问题，最近的信用评分研究考虑了机器学习社区提出的一系列公平性增强技术，以减少分类系统中的偏见和不公平对待。然而，尽管公平性的定义或实现公平性的方法可能不同，这些技术大多忽略了结果的鲁棒性。这可能导致在训练集中有效纠正了不公平对待，但在产生样本外分类时，不公平对待再次出现。相反，在本文中，我们将研究如何将分布鲁棒优化（DRO）方法应用于信用评分，从而实证评估其在公平性、正确分类能力以及针对边际比例变化的解鲁棒性方面的表现。通过这样做，我们发现DRO方法在公平性方面提供了显著改进，且几乎没有性能损失。这些结果表明，只要在高效实现这些系统方面取得进一步进展，DRO可以改善信用评分的公平性。此外，我们的分析表明，许多常用的公平性指标不适合信用评分场景，因为它们依赖于分类阈值的选择。
引用
@article{arxiv.2402.01811,
title = {A Distributionally Robust Optimisation Approach to Fair Credit Scoring},
author = {Pablo Casas and Christophe Mues and Huan Yu},
journal= {arXiv preprint arXiv:2402.01811},
year = {2024}
}