超越 RMSE 和 MAE：引入 EAUC 揭示二元回归模型中隐藏的偏差与不公平
机器学习
2025-05-29 v5 人工智能
信息检索
摘要
二元回归模型为实体对输出实值预测，在许多领域（如在推荐系统中获取用户-产品评分）是基础性的，在其他领域（如在精准药理学中调整患者-药物剂量）也极具前景且正在探索中。本文证明，个体实体的非均匀观测值分布会导致最先进模型中的严重偏差，使预测偏向该实体过去观测值的平均值，并在偏心但关键的情况下提供比随机更差的预测能力；我们将此现象命名为偏心偏差。我们表明，诸如均方根误差 (RMSE) 等全局误差指标不足以捕捉这种偏差，并引入偏心-曲线下面积 (EAUC) 作为一种新指标，能够在其所有研究的领域和模型中对其进行量化。我们通过对朴素的训练后偏差纠正进行实验，证明了 EAUC 的直观解释，并理论化了使用 EAUC 指导构建公平模型的其他方案。这项工作为二元回归提供了一种偏差感知评估，以防止此类系统在关键现实应用中出现不公平。
引用
@article{arxiv.2401.10690,
title = {Beyond RMSE and MAE: Introducing EAUC to unmask hidden bias and unfairness in dyadic regression models},
author = {Jorge Paz-Ruza and Amparo Alonso-Betanzos and Bertha Guijarro-Berdiñas and Brais Cancela and Carlos Eiras-Franco},
journal= {arXiv preprint arXiv:2401.10690},
year = {2025}
}