Algorithmic decision making methods for fair credit scoring

要約

ローン申請者の信用度を評価する際の機械学習の有効性は、長い間実証されてきました。
しかし、自動化された意思決定プロセスの使用により、グループまたは個人が不平等に扱われ、差別的な結果につながる可能性があるという懸念があります。
このペーパーでは、5 つの異なる公平性指標にわたる 12 の主要なバイアス緩和手法の有効性を評価し、その精度と金融機関の潜在的な収益性を評価することで、この問題に対処しようとしています。
分析を通じて、精度と収益性を維持しながら公平性を達成することに関連する課題を特定し、最も成功した緩和方法と最も成功しなかった緩和方法の両方を明らかにしました。
最終的に、私たちの研究は、実験的な機械学習と金融業界における実際の応用との間のギャップを埋める役割を果たします。

要約(オリジナル)

The effectiveness of machine learning in evaluating the creditworthiness of loan applicants has been demonstrated for a long time. However, there is concern that the use of automated decision-making processes may result in unequal treatment of groups or individuals, potentially leading to discriminatory outcomes. This paper seeks to address this issue by evaluating the effectiveness of 12 leading bias mitigation methods across 5 different fairness metrics, as well as assessing their accuracy and potential profitability for financial institutions. Through our analysis, we have identified the challenges associated with achieving fairness while maintaining accuracy and profitabiliy, and have highlighted both the most successful and least successful mitigation methods. Ultimately, our research serves to bridge the gap between experimental machine learning and its practical applications in the finance industry.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google