基于列生成的可解释且公平的布尔规则集
机器学习
2023-09-19 v2 人工智能
最优化与控制
摘要
本文考虑以析取范式（DNF，AND 的 OR 组合，等价于决策规则集）学习布尔规则，作为分类的可解释模型。我们构建了一个整数规划，以在分类准确率与规则简洁性之间最优权衡。我们也考虑公平性设定，并将公式扩展以包含关于两种不同分类均等差量度：机会均等与均等几率的显式约束。列生成（CG）用于高效搜索指数级数量的候选规则，而无需启发式规则挖掘。为处理大型数据集，我们提出了一种使用随机化的近似 CG 算法。与三种近期提出的替代方法相比，CG 算法在 16 个数据集中的 8 个上主导了准确率-简洁性权衡。当以准确率最大化为目标时，CG 与专为此目的设计的规则学习器具有竞争力，有时能找到明显更简洁且不减准确率的解决方案。与其他公平且可解释的分类器相比，我们的方法能够找到满足更严格公平性概念的规则集，且仅以适度的准确率权衡为代价。
引用
@article{arxiv.2111.08466,
title = {Interpretable and Fair Boolean Rule Sets via Column Generation},
author = {Connor Lawless and Sanjeeb Dash and Oktay Gunluk and Dennis Wei},
journal= {arXiv preprint arXiv:2111.08466},
year = {2023}
}
备注
arXiv admin note: substantial text overlap with arXiv:2107.01325, arXiv:1805.09901