通过匹配与随机化实现按揭贷款中的反事实公平
机器学习
2022-01-02 v1 计算机与社会
摘要
按揭贷款中的不公平现象在美国种族与族群间造成了代际不平等。许多研究探讨此问题，但现有工作多聚焦于基于相关的技术。在我们的工作中，我们利用反事实公平框架训练公平机器学习模型。我们针对《住房按揭披露法》（HMDA）数据中所获变量提出一种新的因果图。我们采用基于匹配的方法而非潜变量建模方法，因为前者不依赖任何建模假设。此外，匹配为我们提供了将种族变量隔离的反事实配对。我们首先展示了非裔美国人与非西班牙裔白人亚群体在按揭审批与利率上的不公平；随后表明，即便通过匹配获得平衡数据，也无法保证机器学习模型的完美反事实公平。
引用
@article{arxiv.2112.02170,
title = {Counterfactual Fairness in Mortgage Lending via Matching and Randomization},
author = {Sama Ghoba and Nathan Colaner},
journal= {arXiv preprint arXiv:2112.02170},
year = {2022}
}
备注
In NeurIPS 2021 Workshop on Algorithmic Fairness through the lens of Causality and Robustness