De-Biasing Models of Biased Decisions: A Comparison of Methods Using Mortgage Application Data
对偏差决策模型进行去偏：基于住房抵押贷款申请数据的方法比较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：摘要关注审批预测的公平性与去偏比较，未明确提出因果识别、结构估计或离散选择模型。
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
对偏差决策模型进行去偏：基于住房抵押贷款申请数据的方法比较
- 研究问题
- 当贷款审批训练数据含有模拟的族群偏差时，预测模型是否会继承偏差，以及不同去偏方法能在多大程度上恢复原始决策？
- 方法与思路
- 作者在真实贷款审批数据中加入模拟族群偏差，训练 XGBoost，并比较禁止变量平均化、最有利预测及联合惩罚等方法。
- 材料陈述的贡献
- 摘要称，即使不输入族群变量，模型仍会复制加入的偏差；提出最有利预测方法，并发现去偏效果取决于偏差是否经代理变量传递。
- 阅读关注点
- 应核对模拟偏差的注入方式、代理变量设置、公平性与预测误差指标，以及恢复原始审批决策为何可作为去偏效果的评价标准。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未经核实；模拟偏差不能直接证明现实审批存在同类歧视，摘要也未报告具体效果量。
原文摘要
Prediction models can improve efficiency by automating decisions such as the approval of loan applications. However, they may inherit bias against protected groups from the data they are trained on. This paper adds counterfactual (simulated) ethnic bias to real data on mortgage application decisions, and shows that this bias is replicated by a machine learning model (XGBoost) even when ethnicity is not used as a predictive variable. Next, several other de-biasing methods are compared: averaging over prohibited variables, taking the most favorable prediction over prohibited variables (a novel method), and jointly minimizing errors as well as the association between predictions and prohibited variables. De-biasing can recover some of the original decisions, but the results are sensitive to whether the bias is effected through a proxy.