fairml：一位统计学家的公平机器学习建模视角

在必须确保公平与问责的应用中，机器学习的采用催生了大量文献中的模型提案，这些提案主要被表述为带有约束的优化问题，以减弱或消除敏感属性对响应的影响。尽管此方法在理论层面非常灵活，所得模型在性质上却多少属于黑箱：关于其统计性质、应用中的最佳实践，以及如何扩展至最初设计之外的问题，都鲜有定论。此外，每个模型的估计都需要涉及合适求解器的定制实现，从软件工程角度看并不理想。本文中，我们描述了 fairml R 包，它实现了我们此前的工作（Scutari, Panero, and Proissl 2022）及文献中的相关模型。fairml 围绕经典统计模型（广义线性模型）与罚回归结果（岭回归）设计，以产生可解释且性质已知的公平模型。用于强制公平的约束与模型估计正交，使得针对每个应用可混搭所需的模型族与公平定义。此外，fairml 提供了模型估计、模型选择与验证（含诊断图）的工具。