Jul, 2022

计算无歧视保险价格的多任务网络方法

PDF
TL;DR本文介绍一种使用多任务神经网络架构进行索赔预测的技术解决方案，该模型能够使用只有部分受保护特征信息的数据进行训练，并且生成的价格不受间接歧视影响，且其性能在有部分缺失政策持有人信息的情况下具有明显的优势。
predictive modelingproxy discriminationprotected characteristicsmulti-task neural networkclaim predictions
发现论文，激发创造
  • 通过对抗学习实现公平定价模型

    该研究针对保险定价中存在的公平性和歧视问题，在充分考虑多种定价因素的基础上，提出了一种全新的定价模型方法，可以有效减少多种关键定价因素带来的不公平性问题，并优化预测准确度。

    Feb, 2022

  • 保险中的人工智能与道德：缓解风险模型中的代理歧视的新解决方案

    机器学习在伦理学、保险定价和风险选择方面面临着人们日益关注的议题，本研究探讨了间接性歧视的风险，并提出了一种基于线性代数的创新方法来降低间接性歧视的风险，以提高保险的公平性和性能表现。

    Jul, 2023

  • 数据驱动系统中的代理非歧视原则

    该研究旨在解决机器学习算法在训练中自然而然会对历史上被歧视的群体产生偏差的问题，并通过实验证明了可以通过验证和修复违规来解决这些问题。

    Jul, 2017

  • 机器学习中测量间接歧视的调查研究

    本文综述了关于如何消除历史数据中偏见和歧视对预测模型造成的影响的研究，包括综述了各种可用于测量数据中歧视的方法和评估反歧视预测模型性能的措施，并提出了非歧视性预测建模的实践建议。

    Oct, 2015

  • 公正感知学习与无偏表示

    本研究提出一种新算法，可以识别和处理潜在的歧视因素，确保机器学习模型的公平性，从而提高模型性能，实现非歧视分类和回归任务。

    Feb, 2020

  • 朝向无需假设的偏见缓解

    通过建模特征交互来检测相关属性以减轻偏见影响的无假设框架，大大减轻了机器学习模型中针对特定人群的歧视和不公平预测行为。

    Jul, 2023

  • 公平无知背景下的反事实推理用于偏差评估与检测

    该研究论文探讨了即使在没有敏感特征的情况下，机器学习模型仍可能存在歧视偏见的问题，并提出了利用反事实推理揭示模型潜在偏见的方法。

    Feb, 2023

  • 有监督学习中的机会平等

    本研究提出了一种针对监督学习中指定敏感属性的歧视判据，结合 FICO 信用评分案例研究来说明该判据是如何通过调整学习预测器的方式达到消除歧视的目的。同时，本文研究了基于被遗忘的测试方式定义和识别偏见的固有限制。

    Oct, 2016

  • 公平预测算法的统计框架

    本文提出了通过从可允许的训练数据中去除保护变量的所有信息来消除预测模型偏见的方法，并将其应用于罪犯记录的数据集以产生种族中立的再逮捕预测方案，证明了将种族作为协变量省略的方式仍导致存在种族差异，并且证明了应用我们提出的方法可以将这些数据中的种族差异从预测中去除，并对预测准确性的影响最小。

    Oct, 2016

  • 发现和消除直接和间接歧视的因果框架

    本文通过利用因果网络捕捉数据的因果结构，将直接和间接歧视建模为路径特异性效应，并提出了一种有效的算法，用于发现和消除直接和间接歧视，以及保留数据效用。实验结果表明，该方法有效性较高。

    Nov, 2016