面向更公平系统的软件工程原则：基于 GroupCART 的实验
机器学习
2025-04-18 v1 软件工程
摘要
公平性感知分类旨在在满足公平性约束的同时做出准确预测。传统决策树学习器通常仅针对目标属性优化信息增益，这可能导致模型对受保护社会群体（如性别、族裔）进行不公平歧视。为了回应这些短coming，我们提出 GroupCART，这是一种基于树的集成优化器，通过不仅优化目标属性的熵降低，还优化受保护属性的熵增加来避免建模过程中的偏见。我们的实验表明，GroupCART 在不进行数据转换、性能几乎不受影响的情况下实现了更公平的模型。此外，该方法支持可自定义的权重加权，提供了基于用户需求在预测性能与公平性之间实现平滑且灵活的权衡。这些结果表明，决策树模型中的算法偏见可以通过多任务、公平感知学习来缓解。本研究使用的所有代码和数据集均可在 https://github.com/anonymous12138/groupCART 上获取。
引用
@article{arxiv.2504.12587,
title = {Software Engineering Principles for Fairer Systems: Experiments with GroupCART},
author = {Kewen Peng and Hao Zhuo and Yicheng Yang and Tim Menzies},
journal= {arXiv preprint arXiv:2504.12587},
year = {2025}
}