学习公平的规则列表
机器学习
2020-02-19 v2 机器学习
摘要
随着黑盒模型在高风险决策系统中的使用变得无处不在，对公平且可解释模型的需求日益增长。尽管已有研究表明，在若干关键领域中可解释模型可以具备与黑盒模型相当的准确率，但现有可解释设计的公平分类技术在准确率/公平性权衡上往往劣于其不可解释对应方法。本文提出 FairCORELS，一种可解释设计的公平分类技术，其目标是学习公平规则列表。我们的方案是 CORELS（一种学习规则列表的分支定界算法）的多目标变体，支持若干统计公平性概念，此类度量包括统计 parity、机会均等与均等赔率。FairCORELS 在真实数据集上的实证评估表明，它在可解释设计的公平分类技术中优于现有最优方法，同时与不可解释方法具有竞争力。
引用
@article{arxiv.1909.03977,
title = {Learning Fair Rule Lists},
author = {Ulrich Aïvodji and Julien Ferry and Sébastien Gambs and Marie-José Huguet and Mohamed Siala},
journal= {arXiv preprint arXiv:1909.03977},
year = {2020}
}