基于贝叶斯方法的公平信用评分器

机器学习当前在信用评分、自动驾驶、疾病诊断和保险报价等领域发挥着日益重要的作用。然而，在许多此类领域中，机器学习模型对一些子群体表现出不公平行为，例如特定种族、性别和年龄群体。这些不公平行为可能源于训练数据集中因历史与社会因素而存在的固有偏差。本文关注信用评分这一真实应用场景，通过引入潜变量以消除受保护属性(如性别和年龄)与可观测特征输入(包括住房和职业)之间的相关性，从而构建公平预测模型。在具体实现上，我们采用贝叶斯方法，包括马尔可夫链蒙特卡洛模拟，来估计我们所提出的公平模型。