公平多元自适应回归样条：确保公平性与透明度
机器学习
2024-02-27 v1 计算机与社会
摘要
预测分析广泛应用于包括教育在内的各个领域，以辅助决策和改进结果。然而，许多预测模型是专有的，研究人员和从业者无法评估或修改，限制了其问责性和伦理设计。此外，预测模型通常对使用它们的官员来说是不透明且难以理解的，降低了信任和实用性。此外，预测模型可能引入或加剧偏见和不公平，正如在社会许多部门中所发生的那样。因此，需要透明、可解释且公平的预测模型，以便不同利益相关者轻松采用和调整。在本文中，我们提出了一种基于多元自适应回归样条（MARS）的公平预测模型，该模型在学习过程中融入了公平性度量。MARS是一种非参数回归模型，执行特征选择、处理非线性关系、生成可解释的决策规则，并推导变量上的最优分裂准则。具体来说，我们将公平性整合到节点优化算法中，并提供了理论和经验证据，证明它如何导致公平的节点放置。我们将我们的fairMARS模型应用于真实世界数据，并展示了其在准确性和公平性方面的有效性。我们的论文为推进负责任和合乎伦理的预测分析以促进社会公益做出了贡献。
引用
@article{arxiv.2402.15561,
title = {Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency},
author = {Parian Haghighat and Denisa G'andara and Lulu Kang and Hadis Anahideh},
journal= {arXiv preprint arXiv:2402.15561},
year = {2024}
}