FAHT：一种自适应公平性感知决策树分类器

自动化数据驱动决策系统广泛存在于各类线上与线下服务中。这些系统依赖复杂的学习算法与可用数据，以优化决策支持辅助的服务功能。然而，由于可用历史数据常具有内在歧视性（即在获得正分类时，拥有一个或多个敏感属性的成员比例高于总体中的比例），所采用模型的问责性与公平性日益引发关切，导致决策支持系统缺乏公平性。已有若干公平性感知学习方法被提出以应对该问题。然而，这些方法将公平性视为静态问题，未考虑底层流数据的演化。本文中，我们引入一种学习机制，为基于在线流的决策设计公平分类器。我们的学习模型FAHT（Fairness-Aware Hoeffding Tree，公平性感知霍夫丁树）是著名Hoeffding Tree（霍夫丁树）流上决策树归纳算法的扩展，同时考虑了公平性。实验表明，我们的算法能够处理流环境中的歧视，同时在流上保持适度的预测性能。