基于分布公平性指标的后训练偏差缓解方法
机器学习
2025-10-31 v3 概率论
摘要
我们提出一种新颖的偏差缓解框架，采用基于分布的公平性约束，可在广泛的公平性水平下生成人口无关且可解释的机器学习模型。这一框架通过后处理实现，无需重新训练底层模型即可高效生成更公平的模型。该框架基于随机梯度下降，可应用于广泛的模型类型，特别强调对梯度提升决策树的后处理。此外，我们设计了一族全局公平性指标，并构建了与框架兼容的可微且一致的估计器，基于前期工作。我们在多个数据集上经验性地测试了该方法，并与替代后处理方法进行比较，包括贝叶斯搜索、最优传输投影和直接神经网络训练。
引用
@article{arxiv.2504.01223,
title = {Explainable post-training bias mitigation with distribution-based fairness metrics},
author = {Ryan Franks and Alexey Miroshnikov and Konstandinos Kotsiopoulos},
journal= {arXiv preprint arXiv:2504.01223},
year = {2025}
}
备注
45 pages, 4 figures