Wasserstein 重心在保险业中的歧视缓解
通过公平回归和最优输运理论的联系,得到一种最优公平的预测器,并建议了一个简单的后处理算法来实现公平。这个结果提出了最优公平预测的直观解释,并为这个过程建立了风险和无分布的公平保证。
Jun, 2020
本文提出一种基于 Wasserstein barycenters 的 Lloyd 算法变体,可应用于概率分布,用于构建表示给定数据的度量空间,以应对金融监管领域中的具体挑战,从而使大而复杂的数据集能以简洁的形式呈现。
May, 2023
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
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。
Nov, 2020
本文提出一种用于多任务学习的算法公平性方法,该方法通过使用多项 Wasserstein barycenter 扩展 “Strong Demographic Parity” 的定义,为具有回归和二分类任务的多任务学习器提供了封闭形式解决方案,并应用于合成和现实数据集上以展示其在促进公平决策方面的实际价值。
Jun, 2023
该论文研究了机器学习中的公平性问题,提出了在保持公平的前提下如何提高预测模型性能的方法,并且证明了最小误差率可以通过 Wasserstein 平均问题的最优值来计算,从而提出了一种简单的后处理方法来保证模型的公平性。
Nov, 2022
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
本文提出使用 Wasserstein barycenter 对模型进行集成,以在多类或多标签学习设置中提高模型性能,并应用于基于属性的分类、多标签学习和图像标题生成任务,结果表明 Wasserstein 集成是一种可行的替代方法。
Feb, 2019
第一次针对边际公平性分割瓦瑟斯坦重心问题,提出了三个超参数自由、计算可行的替补问题,以隐式地最小化到边际的距离并同时鼓励边际公平性。进一步改进效率,通过引入更多关注边际不公平投射方向的新分割分布,获得了第三个替代定义。通过在三维点云平均值、色彩协调和具有类公平性表示的分割瓦瑟斯坦自动编码器训练中进行实验,展示了所提替代 MFSWB 问题的有利性能。
May, 2024
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。
Jul, 2022