面向用户引导的可行动补救
机器学习
2023-09-07 v1 计算机与社会
摘要
机器学习在医疗、银行和刑事司法等关键领域的扩散促使了确保 ML 模型可信与透明的工具的诞生。其中一个工具是面向受负面影响的用户的可行动补救（AR）。AR 描述了对用户可行动特征进行高性价比改变的推荐，以帮助他们获得有利结果。现有提供补救的方法针对邻近性、稀疏性、有效性和基于距离的成本等性质进行优化。然而，一个常被忽视但对可行动性至关重要的要求是考虑用户偏好以引导补救生成过程。在这项工作中，我们尝试通过三种简单形式的软约束来捕获用户偏好：i) 对连续特征打分，ii) 约束特征值边界，以及 iii) 对类别特征排序。最后，我们提出一种基于梯度的方法来识别用户偏好的可行动补救（UP-AR）。我们进行了大量实验以验证我们方法的有效性。
引用
@article{arxiv.2309.02517,
title = {Towards User Guided Actionable Recourse},
author = {Jayanth Yetukuri and Ian Hardy and Yang Liu},
journal= {arXiv preprint arXiv:2309.02517},
year = {2023}
}