无偏决策减少后悔：银行贷款问题中的对抗域适应
机器学习
2023-08-17 v1 人工智能
摘要
在许多现实场景中，二分类决策基于有限数据在近实时下做出，例如评估贷款申请。我们关注一类共享如下共同特征的问题：仅当数据点被主体赋予正标签时真实标签才被观测到，例如仅当我们接受了贷款申请才能得知申请人是否违约。其后果是，错误拒绝变得自我强化，并导致由模型决策持续更新的有标签训练集累积偏差。先前工作通过向模型注入乐观性来缓解该效应，但这以假接受率上升为代价。我们引入对抗乐观性(AdOpt)，利用对抗域适应直接解决训练集中的偏差问题。AdOpt 的目标是通过减小已接受数据点集合与迄今所见所有数据点之间的分布偏移，学习对过去数据的无偏且具信息性的表示。AdOpt 在一组具有挑战性的基准问题上显著超越最先进(state-of-the-art)性能。我们的实验还初步证明，引入对抗域适应改善了该设置下的公平性。
引用
@article{arxiv.2308.08051,
title = {Unbiased Decisions Reduce Regret: Adversarial Domain Adaptation for the Bank Loan Problem},
author = {Elena Gal and Shaun Singh and Aldo Pacchiano and Ben Walker and Terry Lyons and Jakob Foerster},
journal= {arXiv preprint arXiv:2308.08051},
year = {2023}
}