算法中的信贷机会均等：使算法公平性研究与美国公平放贷监管相一致
机器学习
2022-10-07 v1 计算机与社会
摘要
信贷是美国民众财务福祉的重要组成部分，而获取信贷的不平等是当今不同人口群体间经济差距的一大因素。如今，机器学习算法（有时基于替代数据训练）正越来越多地用于决定信贷获取，然而研究表明机器学习可能编码多种不同版本的“不公平”，从而引发了银行及其他金融机构可能——甚至在无意中——利用该技术从事非法歧视的担忧。美国已出台法律以防止放贷中的歧视，并设有机构负责执法。然而，计算机科学界与政策界关于公平信贷模型的讨论常常错位：公平的机器学习研究往往缺乏针对现有公平放贷政策的具体法律与实践考量，而监管机构尚未就信贷风险模型是否及应如何采用研究界的实践与技术发布新的指引。本文旨在更好地对齐这两方面的讨论。我们描述了美国信贷歧视监管的现状，将公平机器学习研究的结果置于语境中以识别放贷中使用机器学习所引发的具体公平性问题，并探讨了应对这些问题的监管机遇。
引用
@article{arxiv.2210.02516,
title = {Equalizing Credit Opportunity in Algorithms: Aligning Algorithmic Fairness Research with U.S. Fair Lending Regulation},
author = {I. Elizabeth Kumar and Keegan E. Hines and John P. Dickerson},
journal= {arXiv preprint arXiv:2210.02516},
year = {2022}
}