Shapley值与Rawls的融合：公平性测度与解释的集成框架
机器学习
2026-03-31 v2
摘要
可解释性与公平性主要被单独考虑，近期个别尝试试图解释不公平来源。本文表明Shapley值可用于定义与解释公平性，在标准群体公平性准则下提供集成框架，以估计并推导关于不公平性及其贡献特征的推理。我们的框架可扩展从Shapley值到高效对称线性(ESL)值家族，其中一些方法提供更稳健的公平性定义，同时缩短计算时间。我们在UCI机器学习存储库的Census Income数据集上进行示例演示。我们的方法表明，"年龄"、"工作时数"与"婚姻状况"产生性别不公平，使用比传统Bootstrap检验更短的计算时间。
引用
@article{arxiv.2603.26476,
title = {Shapley meets Rawls: an integrated framework for measuring and explaining unfairness},
author = {Fadoua Amri-Jouidel and Emmanuel Kemel and Stéphane Mussard},
journal= {arXiv preprint arXiv:2603.26476},
year = {2026}
}