FairSHAP：基于归因的数据预处理公平性方法
机器学习
2026-02-24 v3 人工智能
计算机与社会
摘要
在高风险领域确保机器学习模型公平性至关重要，因偏见决策可能导致严重的社会后果。现有预处理方法通常缺乏识别哪些特征或实例导致不公平的透明机制，使数据修改的依据难以理解。我们引入FairSHAP，一种新型预处理框架，利用Shapley值归因提升个体公平性和群体公平性。FairSHAP通过可解释的特征重要性度量识别训练数据中的公平性关键实例，并通过敏感群体间的实例级匹配进行系统性修改。该过程减少判别风险——一种个体公平性度量——同时保持数据完整性和模型准确性。我们表明，FairSHAP在 diverse tabular数据集上显著改善了人口公平性和机会平等，在最小化数据扰动的同时，某些情况下甚至实现了预测性能的提升。作为一种模型无关且透明的方法，FairSHAP无缝集成到现有机器学习管道中，并提供关于偏见来源的可操作性见解。我们的代码已发布在https://github.com/ZhuMuMu0216/FairSHAP上。
引用
@article{arxiv.2505.11111,
title = {FairSHAP: Preprocessing for Fairness Through Attribution-Based Data Augmentation},
author = {Lin Zhu and Yijun Bian and Lei You},
journal= {arXiv preprint arXiv:2505.11111},
year = {2026}
}
备注
4 figures, 21 pages