FairUDT：公平感知的提升决策树
机器学习
2025-02-04 v1 机器学习
摘要
用于开发机器学习分类器的训练数据可能表现出对特定受保护属性的偏见。这类偏见通常源于历史性歧视或某些不成比例地低度代表少数群体（例如按性别、宗教或种族划分的群体）的潜在模式。本文提出了一种新颖的方法 FairUDT，一种用于歧视识别的公平感知的提升决策树。FairUDT 展示了如何将提升建模与决策树相结合，以适应公平分裂准则。此外，我们引入了一种改进的叶节点重标记方法来消除歧视。我们基于二元敏感属性将数据集划分为受惠群体和弱势群体，其中受惠数据集作为处理组，弱势数据集作为对照组。通过应用 FairUDT 和我们的叶节点重标记方法对三个基准数据集进行预处理，我们实现了可接受的准确率与歧视之间的权衡。我们还表明 FairUDT 具有内在可解释性，可用于歧视检测任务。本项目的代码可在 https://github.com/ara-25/FairUDT 获取。
引用
@article{arxiv.2502.01188,
title = {FairUDT: Fairness-aware Uplift Decision Trees},
author = {Anam Zahid and Abdur Rehman Ali and Shaina Raza and Rai Shahnawaz and Faisal Kamiran and Asim Karim},
journal= {arXiv preprint arXiv:2502.01188},
year = {2025}
}
备注
Published in Knowledge-based Systems (2025)