FairSHAP：通过基于归因的数据增强实现公平性的预处理

本研究解决了机器学习模型中存在的公平性问题，特别是在可能导致严重社会后果的高风险领域。我们提出了一种新的预处理框架FairSHAP，利用Shapley值归因来识别和修改训练数据中的公平性关键实例，从而在减少歧视风险的同时保持数据完整性和模型准确性。研究表明，FairSHAP显著改善了各类表格数据集中的人口平等和机会平等，实现了公平性提升并在某些情况下提升了预测性能。