自适应公平感知决策树分类器

原文题目：FAHT: An Adaptive Fairness-aware Decision Tree Classifier

摘要：自动化的数据驱动决策系统在广泛的在线和离线服务中无处不在。这些系统依赖于复杂的学习算法和可用的数据来优化决策支持辅助的服务功能。然而，由于现有的历史数据往往具有内在的歧视性，即在接受积极分类时，拥有一个或多个敏感属性的成员的比例高于总体人口中的比例，这使得决策支持系统缺乏公平性，从而使人们越来越关注所采用的模型的问责制和公平性。已经提出了一些公平意识的学习方法来解决这一问题。然而，这些方法将公平作为一个静态问题来处理，并没有考虑到底层溪流种群的演变。本文提出了一种基于学习机制的在线流决策公平分类器。我们的学习模型FAHT(公平感知Hoeffding Tree)是对流上决策树归纳的著名Hoeffding树算法的扩展，它也考虑了公平性。实验表明，我们的算法能够处理流环境中的识别问题，同时保持了对流的中等预测性能。

原文地址：https://arxiv.org/abs/1907.07237

作者：Wenbin Zhang, Eirini Ntoutsi