通过独立性实现预测过程监控中的组公平性

预测过程监控专注于预测正在进行的流程执行的未来状态，例如预测特定案例的结果。近年来，机器学习模型在该领域的应用获得了显著的科学关注。当使用可能包含偏见或表现出不公平行为的历史执行数据时，这些偏见可能被编码到训练好的模型中。因此，当此类模型被部署用于为新案例做出决策或指导干预时，它们可能会延续这种不受欢迎的行为。本工作通过研究独立性——即确保预测不受敏感群体成员身份的影响——来解决预测过程监控中的组公平性问题。我们通过人口统计平等度量（如 ΔDP）以及近期引入的与阈值无关的基于分布的替代方案来探索独立性。此外，我们提出一个由二元交叉熵和基于分布的损失（Wasserstein）组成的复合损失函数，用于训练在预测性能和公平性之间取得平衡的模型，并允许自定义权衡。通过受控实验设置验证了公平性度量和复合损失函数的有效性。