A Fairness-Aware and Bias-Resilient XAI Framework for Equitable Financial Decision-Making
Notice bibliographique
Résumé
Loan-approval prediction is typically considered while auditing a single protected attribute at a time (race, ethnicity, sex, or age).Fairness-Aware, Interpretable, Resilient, and Equitable (FAIRE) is a multi-stage pipeline that combines data-level balancing, in-training debiasing, and post-processing thresholding, which is complemented by global and local explainability and continuous fairness monitoring with a drift trigger.The evaluation spans centralized and federated training with privacy-preserving aggregation using Home Mortgage Disclosure Act (HMDA) loan-level data.At the selected operating point, fairness improves substantially: Demographic Parity (DP) rises from 0.74 [0.72, 0.76] to 0.92 [0.90, 0.94]; the Equal Opportunity (EO) gap declines to 0.05 [0.04, 0.06]; and Equalized Odds (EOdds) decreases to 0.07 [0.06, 0.09].The change in Area under the curve-Receiver-operating characteristic curve (AUC-ROC) changes by ≤ 0.5 percentage points relative to the best utility setting.In the federated regime (50 clients, Non-Independent and Identically Distributed (non-IID) partitions), AUC-ROC remains within 1 percentage point of centralized utility, while fairness remains close to centralized post-mitigation levels (e.g., DP ≈ 0.90 [0.88, 0.92], EO ≈ 0.06 [0.05, 0.07], EOdds ≈ 0.11 [0.10, 0.12]), with wider intervals for clients with small protected-group support sample sizes.A composite Interpretability Score increases through higher surrogate fidelity, sparser reason sets, and more stable attributions; SHapley Additive exPlanations (SHAP), Local Interpretable Modelagnostic Explanations (LIME), and Integrated Gradients produce adverse-action-ready reason codes consistent with threshold-style explanations.The resulting pipeline delivers measurable fairness gains with minimal utility cost across centralized and federated settings while maintaining transparent, monitorable credit decisions.
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 | 0,022 | 0,031 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,003 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,003 |
| Communication savante | 0,005 | 0,005 |
| Science ouverte | 0,005 | 0,005 |
| Intégrité de la recherche | 0,003 | 0,005 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,008 | 0,001 |
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 ».