FairPromote：通过对抗性偏差消除和基于SHAP的解释方法，实现可解释且公平的人才晋升预测

《IEEE Access》：FairPromote: Explainable and Fairness-Aware Talent Promotion Prediction via Adversarial Debiasing and SHAP-based Interpretation

　　

摘要：

人才晋升决策对组织的成功至关重要，然而传统的预测模型往往存在不透明性和历史数据中固有的偏见。这些“黑箱”系统不仅缺乏透明度，还会延续与性别和地理位置等敏感属性相关的歧视性模式，从而损害组织的公平性和员工的信任。此外，现有的评估指标难以量化高层管理的非结构化贡献，导致在复杂的人事决策中泛化能力较差。为了解决这些问题，我们提出了FairPromote这一新颖框架，它将SHAP（Shapley Additive Explanations）值与对抗性去偏见技术结合在集成学习架构中。我们的方法在实现高预测准确性的同时，能够自动识别并减轻敏感属性对晋升决策的负面影响。该框架采用双重目标优化策略：主要预测器最大化晋升预测性能，而对抗性鉴别器则最小化从学习到的表示中推断敏感属性的能力。通过基于SHAP的局部解释图，FairPromote为每个人事决策提供了实例级别的归因分析，解决了算法决策系统中的关键信任缺失问题。我们在IBM HR Analytics数据集上评估了我们的框架，展示了其在多个维度上的优越性能。实验结果表明，与基线模型相比，FairPromote的预测准确率达到91.3%，同时将人口统计平等差异减少了68%，机会差距缩小了72%。基于SHAP的解释显示，工作参与度、在公司的工作年限和绩效评级是晋升决策的主要驱动因素，同时成功中和了性别和婚姻状况的影响。