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

Jul, 2023

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

AI and ethics in insurance: a new solution to mitigate proxy discrimination in risk modeling

Marguerite Sauce, Antoine Chancel, Antoine Ly

TL;DR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。

Abstract

The development of machine learning is experiencing growing interest from the general public, and in recent years there have been numerous press articles questioning its objectivity: racism, sexism, \dots Driven by the growing attention of regulators on the ethical use of data in insur

machine learning ethics insurance pricing discrimination risk selection

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

干预优先于预测：重新构建精算风险评估的道德辩论

针对风险评估的核心伦理辩论不仅仅是偏差或准确性的问题，而是目的的问题。机器学习不应用于预测，而是用于发现进入因果模型的协变量，以了解犯罪的社会，结构和心理驱动因素。我们提出了一种机器学习和因果推断的替代应用，从预测风险分数转向风险缓解。

Dec, 2017

机器学习中的公平性与医疗保健中的公平性相遇

本研究提出了一种基于软件工程原理的人工智能框架，用于在保证医疗保健公平的同时识别和缓解数据和模型中的偏见和歧视，通过案例研究表明数据中的系统性偏见会导致模型预测中的偏差增大，并提出了机器学习方法来预防这种偏见。未来的研究目标是在实际的临床环境中测试和验证所提出的 ML 框架，以评估其在促进健康公平方面的影响。

May, 2023

计算无歧视保险价格的多任务网络方法

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

监督学习中的公正性：信息论方法

研究提出了一个信息理论框架来设计公平的预测器，以在监督学习环境中防止对指定敏感属性的歧视。使用平等的机会作为歧视标准，这要求在实际标签的条件下，预测应独立于受保护属性。同时确保公平和泛化，将数据压缩到辅助变量，再通过贝叶斯决策规则得到最终预测器。

Jan, 2018

公正的核学习

研究如何通过包含公平性在目标函数中来解决机器学习中涉及敏感特征的不公平性问题。提出了基于新的公平分类框架的新型公平回归和降维方法，并通过使用 Hilbert Schmidt 独立性准则作为公平项，实现了线性和非线性问题的评估。

Oct, 2017

非法代理歧视：挑战内在歧视算法的框架

通过分析直接歧视的法律条件和技术方法，本文探讨了算法决策中内在直接歧视的识别和应用。

Apr, 2024

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

公平架构：超越预测结果均等的公平

该论文研究了机器学习决策算法在预测决策中的使用，强调了公平问题以及如何实现公正决策，提出了一个平等框架并给出了平等评分算法和指导决策者的问题。

Apr, 2022