公平多变量自适应回归样条以确保公平性和透明度

Feb, 2024

公平多变量自适应回归样条以确保公平性和透明度

Fair Multivariate Adaptive Regression Splines for Ensuring Equity and Transparency

Parian Haghighat, Denisa G'andara, Lulu Kang, Hadis Anahideh

TL;DR我们提出了一种基于多维自适应回归样条 (MARS) 的公平预测模型，该模型在学习过程中结合了公平性度量，通过公平节点优化算法实现公平节点的安置，并在理论和实证方面提供了证明。我们应用了我们的公平 MARS 模型到现实世界的数据中，并展示了其在准确性和公平性方面的有效性。我们的论文推动了负责任和道德的预测分析为社会福祉的进展。

Abstract

predictive analytics is widely used in various domains, including education, to inform decision-making and improve outcomes. However, many predictive models are proprietary and inaccessible for evaluation or modification by researchers and practitioners, limiting their accountability a

predictive analytics fair predictive model fairness measures multivariate adaptive regression splines responsible predictive analytics

发现论文，激发创造

任意性超越公平 - 准确度前沿线

机器学习中的公平干预可能会加剧预测复杂性，而提出了一种可应用于任何公平干预的集成算法来解决挑战并确保更一致的预测。

Jun, 2023

更公平、更准确，但为谁而做？

该论文介绍了一种比较不同风险评估模型公平性的框架，特别关注与种族和性别的不平等问题，以预测再犯率和贷款为例进行实验。

Jun, 2017

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

机器学习中的多模型公平和伦理

该研究探讨了预测模型多样性对公平性的影响，发现在多个同等效果的模型中选择对于个人可能具有不利影响，而单纯技术手段无法解决这种问题。

Mar, 2022

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

可处理模型下的机器学习公平性

本文介绍了利用可计算的概率模型实现公平性的一种方法，其中 Sum Product Networks（SPNs）可以有效地确定受保护属性与其他训练变量之间的统计关系，并通过排除那些与训练属性无关的变量来训练分类模型，从而减少男性和女性信用申请者的不公平对待。

May, 2019

评估预测学生成功的公平性权衡

本文研究如何建立预测模型以帮助识别处于风险中的学生并为他们提供更好的支持，但预测模型可能会存在性别和种族偏见，因此需要进行后续调整以提高公平性并平衡不同的公平措施。

Jun, 2020

多类分类的学习最优公平评分系统

使用混合整数线性规划技术，我们提出了一种可解释的，具有稀疏性和公平性约束的多类别分类评分系统，扩展了 Rudin 和 Ustun 提出的适用于二元分类的 SLIM 框架。

Apr, 2023

fairml：统计学家对公平机器学习建模的看法

本文介绍了 fairml R 包，该包旨在通过经典统计模型和惩罚回归结果（岭回归）实现公平和可解释的机器学习模型，并提供模型估计，选择和验证功能，以及诊断图。

May, 2023

SF-PATE: 可扩展、公平且私密的教师集成聚合

本文旨在研究一种隐私保护和公平的模型，该模型允许采用现有的公平模型，保护个人信息的隐私同时学习非歧视性预测器。实验证明该模型具有可扩展性、准确性和公正性。此外，该文章是第一个允许对非常大的神经网络训练私人和公平模型的提议。

Apr, 2022