有界穷举搜索为公平性约束决策树提供可审计的可行性评估

《Scientific Reports》：Bounded exhaustive search provides auditable feasibility assessment for fairness-constrained decision trees

　　

摘要

带有公平性约束的分类器需要关于可行和不可行设计选择的透明证据，但只有相对于完全指定的模型类，否定性结果才具有意义。我们将浅层决策树学习作为一个有界穷举搜索问题来研究，并施加对称选择率比率（SRR）、假正率（FPR）差距以及准确率的硬性约束。该过程枚举一个声明的有限类，并返回一棵可行的树或一个可审计的有界空间不可满足（UNSAT）结果；它不是群体公平性证明，也不是对无限制树的证明。在六个数据集上，每个数据集十次留出划分，有界搜索在 60 个配置中的 41 个返回了训练审计可满足（SAT）结果。在返回的 41 棵树中，12 棵（29.3%）在独立测试划分上同时满足预先设定的公平性阈值，对应于 60 个数据集-划分配置中的 12 个（20.0%）。这些结果量化了样本内可行性与样本外公平性之间的差距，同时为浅层、可解释的模型选择提供了可复现的可行性审计。