OT-FairBoost: Optimal Transport-Guided Gradient Boosting for Fairness Regularization on Tabular Data
OT-FairBoost：最优传输引导的梯度提升表格数据公平性正则化AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要讨论的是机器学习公平性正则化与梯度提升算法，属于方法论与算法研究，未涉及所提供领域细分中的因果推断、面板、离散选择、时间序列或金融计量等方向，故不选择任何细分领域。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
OT-FairBoost：最优传输引导的梯度提升表格数据公平性正则化
- 研究问题
- 摘要称，梯度提升等树模型在表格数据上仍被广泛使用，但可能对不同人口群体产生歧视性预测；现有针对梯度提升的公平性方法多为前处理或后处理，在训练过程内的方法较少，因此需要研究如何在梯度提升的训练目标中直接嵌入公平性约束。
- 方法与思路
- 作者提出 OT-FairBoost，一种在训练过程内的方法：将 Wasserstein-2 距离惩罚项直接加入梯度提升树的目标函数，并把组间预测的 Wasserstein-2 距离的逐样本梯度估计扩展到离散分布与 Hessian 对角元，再将该方法整合进 LightGBM 训练流程，在二分类、回归和多群体敏感属性设定下评估。
- 材料陈述的贡献
- 摘要称，该方法把此前主要用于神经网络预测的基于最优传输的公平性缓解策略适配到梯度提升；实验结果显示，在二分类、回归和多群体敏感属性各设定下，OT-FairBoost 在准确率与公平性权衡上优于对比方法。
- 阅读关注点
- 阅读全文时应核对：Wasserstein-2 惩罚项的具体形式与权重选取方式；离散分布与 Hessian 对角元的梯度估计推导及其近似误差；公平性指标（人口统计均等、机会均等）的定义与估计方式；数据集、基线方法、评价指标与超参数搜索协议；多群体与回归设定下结论是否稳健。
- 阅读边界
- 仅凭摘要无法判断识别假设、理论保证、实验数据来源与统计显著性，也无法核实“最优权衡”的结论；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊或会议接收。
原文摘要
Although neural-based machine learning models have received a lot of attention recently, tree-based models such as gradient boosting are competitive for tabular data and therefore remain widely used in various applications of AI. As when using other machine learning predictive models, they can however yield discriminative predictions across demographic groups, due to so-called algorithmic biases. These undesirable phenomena have motivated the emergence of new regulatory frameworks and various AI fairness strategies. While several pre-and post-processing methodologies exist to mitigate such bias on gradient boosting models, only a few in-processing methods have been proposed. To bridge this gap, we introduce OT-FairBoost, a novel in-processing framework that incorporates a Wasserstein-2 distance penalty directly into the objective function of gradient-boosted trees. This OT-based mitigation strategy has been shown to efficiently optimize group fairness criteria such as Demographic Parity and Equalized Odds on neural-based predictions. To adapt this approach for gradient boosting, we extend the sample-wise gradient estimation of the Wasserstein-2 distance between group predictions to discrete distributions and hessian diagonals. We then integrate our approach into the LightGBM training procedure and evaluate it across binary classification, regression, and multi-group sensitive attribute settings. Experimental results in each of these settings demonstrate that OT-FairBoost achieves best accuracy-fairness trade-offs against alternatives.