基于双目标决策树学习的最优 Recourse 汇总
机器学习
2026-05-22 v2
摘要
可操作的 Recourse（可操作性）为个体提供他们可以采取的行动，以改变不利的分类结果。虽然在实例层面上有用，但对于全局审计和偏差检测不够，因为将局部行动聚合成本高且常常不一致。Recourse 汇总通过将人口划分为子群并为每个子群分配一个共享行动来解决这一限制，从而实现子群间的比较。设计汇总涉及在可操作性有效性和可操作性成本之间的根本性权衡，而现有方法尚不充分地解决了这一问题。我们引入的 Summaries of Optimal and Global Actionable Recourse（SOGAR）将 Recourse 汇总学习形式化为一个最优决策树学习问题，寻找 Pareto 前沿——即在一个目标上改进必然使另一个目标恶化的完整解集。SOGAR 使我们能够在不重新训练的情况下进行后期选择所需的权衡。使用浅层轴平行决策树和稀疏叶子动作，SOGAR 产生稳定、低成本且高效的 Recourse 汇总，在有效性和成本指标上均优于现有方法。
引用
@article{arxiv.2605.07598,
title = {Optimal Recourse Summaries via Bi-Objective Decision Tree Learning},
author = {Ioannis Chatzis and Jason Liartis and Athanasios Voulodimos and Giorgos Stamou},
journal= {arXiv preprint arXiv:2605.07598},
year = {2026}
}