Nov, 2020
基于 Wasserstein 的机器学习模型公平性解释框架
Wasserstein-based fairness interpretability framework for machine learning models
Alexey Miroshnikov, Konstandinos Kotsiopoulos, Ryan Franks, Arjun Ravi Kannan
TL;DR本文介绍了一种公平解释性框架，用于在分布级别上测量和解释分类和回归模型中的偏见。通过使用 Wasserstein 度量，在模型输出的亚群分布上测量模型偏差，考虑模型和预测变量相对于非受保护类的有利性，使用运输理论进行量化，并通过博弈理论的技术实现偏见解释的可加性。