Apprentissage des arbres de décision sensibles à la discrimination

Récemment, le problème de classification sensible à la discrimination suivant a été introduit : étant donné un ensemble de données étiquetées et un attribut B, trouver un classificateur avec une haute précision prédictive qui, en même temps, ne discrimine pas en fonction de l'attribut B donné. Ce problème est motivé par le fait que les données historiques disponibles sont souvent biaisées en raison de la discrimination, par exemple, lorsque B désigne l'ethnicité. L'utilisation des apprenants standard sur ces données peut conduire à des classificateurs biaisés à tort, même si l'attribut B est supprimé des données d'apprentissage. Les solutions existantes à ce problème consistent à "nettoyer" la discrimination de l'ensemble de données avant qu'un classificateur ne soit appris. Dans cet article, nous étudions une approche alternative dans laquelle la contrainte de non-discrimination est profondément intégrée dans un apprenant d'arbres de décision en modifiant son critère de séparation et sa stratégie d'élagage. L'évaluation expérimentale montre que l'approche proposée fait avancer l'état de l'art dans le sens où les arbres de décision appris ont moins de discrimination que les modèles fournis par les méthodes précédentes, avec peu de perte en précision.