Beyond the Seeds: Fairness Testing via Counterfactual Analysis of Non-Seed Instances
Notice bibliographique
Résumé
As machine learning software increasingly shapes crucial decisions in our daily lives, ensuring the fairness of these decisions is paramount. Individual fairness guarantees non-discrimination based on protected attributes, such as race or gender. Discriminatory instances reveal individual discrimination included in machine learning software. Existing methods for detecting individual discrimination often rely on initial “seed” instances, which are data points selected from the dataset that have more likelihood of exhibiting discrimination. These seed instances are then used as the basis for generating more discriminatory instances. While effective, this approach may inadvertently overlook discrimination embedded within seemingly fair non-seed instances. To overcome this limitation, this paper proposes FairBS, an approach that utilizes non-seed instances to generate discriminatory instances using counterfactual analysis. FairBS first constructs an explainer based on dataset input features and a model under test. It then generates an input instance and checks it for discrimination. If the input instance is non-discriminatory, FairBS uses the explainer to create counterfactual examples of that instance, by causing minimal perturbation to its feature values, which then produce other instances with opposite predictions. Extensive experiments on five datasets and five machine learning models demonstrate that our proposed approach outperforms state-of-the-art methods in both efficiency and effectiveness across all datasets and models. Our approach generates an average of$\times 13.44$more discriminatory instances at$\times 14.51$faster speed compared to existing seed-based methods. These findings indicate that FairBS expands the boundaries of fairness testing beyond the discriminatory seed instances, providing a powerful tool that can be used by software engineers to better ensure fairness in machine learning software.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,077 | 0,266 |
| Méta-épidémiologie (sens strict) | 0,002 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,003 |
| Bibliométrie | 0,003 | 0,002 |
| Études des sciences et des technologies | 0,002 | 0,006 |
| Communication savante | 0,004 | 0,007 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».