Learning Optimal Fair Scoring Systems for Multi-Class Classification

要約

タイトル-マルチクラス分類のための最適な公平スコアリングシステムの学習
要約- 機械学習モデルは、クレジットスコアリング、医療、再犯予測など、高リスクなアプリケーションでの意思決定において、ますます使用されています。しかし、解釈可能性の欠如や、生成または再現することができる望ましくないバイアスに関する懸念が高まっています。解釈性と公平性の概念は、近年、科学界によって広く研究されてきましたが、一般的なマルチクラス分類問題における公平性制約に関する研究はほとんど行われておらず、マルチクラス分類のための公平で解釈可能なモデルの生成を提案する研究はありません。本論文では、MILP（混合整数線形プログラミング）技術を使用して、一般的なマルチクラス分類設定において、疎さと公平性の制約の下で本質的に解釈可能なスコアリングシステムを生成します。本研究は、RudinとUstunによって提案されたSupersparse Linear Integer Models（SLIM）フレームワークを一般化して、バイナリ分類のための最適なスコアリングシステムを学習します。MILP技術の使用により、多様な運用上の制約（公平性や疎さに限定されない）の容易な統合が可能になり、難解性の最適なモデル（または境界最適性ギャップを持つサブ最適モデル）の構築も可能になります。

– 機械学習モデルは高リスクなアプリケーションでの意思決定に使用されている
– 決定の解釈可能性の欠如や、生成または再現することができるバイアスに懸念が高まっている
– 公平性制約に関する研究はほとんど行われておらず、マルチクラス分類のための公平で解釈可能なモデルの生成を提案する研究はありません
– 本研究は、MILP技術を使用して、マルチクラス分類のための疎さと公平性の制約の下で解釈可能なスコアリングシステムを生成します
– 本研究は、バイナリ分類のための最適なスコアリングシステムを学習するためにRudinとUstunが提唱したSLIMフレームワークを一般化します
– MILP技術を使用することで、公平性や疎さに限定されない多様な運用上の制約を容易に統合できるだけでなく、最適なモデル（または境界最適性ギャップを持つサブ最適モデル）の構築も可能になります。

要約(オリジナル)

Machine Learning models are increasingly used for decision making, in particular in high-stakes applications such as credit scoring, medicine or recidivism prediction. However, there are growing concerns about these models with respect to their lack of interpretability and the undesirable biases they can generate or reproduce. While the concepts of interpretability and fairness have been extensively studied by the scientific community in recent years, few works have tackled the general multi-class classification problem under fairness constraints, and none of them proposes to generate fair and interpretable models for multi-class classification. In this paper, we use Mixed-Integer Linear Programming (MILP) techniques to produce inherently interpretable scoring systems under sparsity and fairness constraints, for the general multi-class classification setup. Our work generalizes the SLIM (Supersparse Linear Integer Models) framework that was proposed by Rudin and Ustun to learn optimal scoring systems for binary classification. The use of MILP techniques allows for an easy integration of diverse operational constraints (such as, but not restricted to, fairness or sparsity), but also for the building of certifiably optimal models (or sub-optimal models with bounded optimality gap).

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI