利用 Wasserstein 重心缓解保险中的歧视
机器学习
2023-06-23 v1 计算机与社会
机器学习
摘要
保险业高度依赖基于潜在客户特征的风险预测。尽管此类模型的使用很普遍，研究人员早已指出这种做法会延续基于性别或种族等敏感特征的歧视。鉴于此类歧视常可归因于历史数据偏差，消除或至少缓解是必要的。随着从更传统的模型转向基于机器学习的预测，对加强缓解的呼声再度高涨，因为仅在定价过程中排除敏感变量被证明是无效的。在本文中，我们首先探讨为何预测在业内不可或缺，以及纠正偏差为何不像简单识别敏感变量那样直接。随后我们提出通过使用 Wasserstein 重心而非简单缩放来减轻偏差。为展示该方法的效果与有效性，我们将其应用于真实数据并讨论其影响。
引用
@article{arxiv.2306.12912,
title = {Mitigating Discrimination in Insurance with Wasserstein Barycenters},
author = {Arthur Charpentier and François Hu and Philipp Ratz},
journal= {arXiv preprint arXiv:2306.12912},
year = {2023}
}