在人口统计公平性约束下的线性模型中分解直接偏差与间接偏差
机器学习
2025-11-17 v1 机器学习
摘要
线性模型因其简单性和可解释性而广泛应用于高风险决策中。然而在引入诸如人口统计公平性等公平性约束后，其对模型系数，以及因此对预测偏差在特征中的分布方式的影响，却鲜为人知。现有的线性模型方法往往依赖强烈且不切实际的假设，或忽视了敏感属性的明确作用，限制了其在公平性评估中的实际效用。我们扩展了 Chzhen 和 Schreuder (2022) 以及 Fukuchi 和 Sakuma (2023) 的工作，通过提出一种后处理框架，可应用于任何线性模型，以将结果偏差分解为直接偏差（敏感属性相关）和间接偏差（相关特征相关）组件。该方法解析性地刻画了人口统计公平性如何重塑每个模型系数，包括敏感特征和非敏感特征的系数。这使我们能够对公平性干预进行透明的、基于特征的解释，揭示偏差如何通过相关变量而存在或迁移。我们的框架无需重新训练，能为模型审计和缓解提供可操作的见解。在合成数据和真实数据集上的实验表明，我们的方法捕捉到了先前工作所忽略的公平性动态，为负责任地部署线性模型提供了一种实用且可解释的工具。
引用
@article{arxiv.2511.11294,
title = {Decomposing Direct and Indirect Biases in Linear Models under Demographic Parity Constraint},
author = {Bertille Tierny and Arthur Charpentier and François Hu},
journal= {arXiv preprint arXiv:2511.11294},
year = {2025}
}