Aishwarya Ashok Bodkhe

• In contemporary decision-making systems, the integration of machine learning (ML) models such as CatBoost, Random Forest, and Decision Tree has become ubiquitous, exerting substantial influence on societal dynamics. This pervasive adoption accentuates the critical necessity for efficacious fairness interventions to mitigate inherent biases and discrimination. However, prevailing approaches predominantly address binary classifications and frequently draw upon limited, region-specific datasets, thereby constraining their relevance and applicability. To address these shortcomings, we propose an extension to the fairness projection model that uses ensemble learning tree-based classifiers as the base classifying model. The proposed model is named Fairness Projection with Ensemble Trees (FPET), an innovative post-processing intervention specifically designed for multiclass classification tasks. Fairness Projection with Ensemble Trees is uniquely designed to accommodate multiple and overlapping protected groups, rendering it versatile and inclusive. A distinguishing feature of FPET lies in its model-agnostic nature and scalability to large datasets, facilitated by an information-theoretic framework centered around information projection. This approach furnishes robust theoretical assurances regarding convergence and sample complexity, thereby ensuring its practical viability. Furthermore, FPET’s design is augmented by its support for parallel processing, further enhancing its suitability for large-scale applications. Comprehensive evaluation against diverse datasets, including Brazil’s ENEM exam dataset, HSLS, and COMPAS, demonstrates the superior performance of our proposed model, Fairness Projection with Ensemble Trees (FPET), which uses the Cat-Boost classifier for both binary and multi-class classification tasks. In all datasets, CatBoost performed exceptionally well. Our fairness method also outperformed other benchmark models, such as Equality of Odds (EqOdds), Level Equal Opportunity (LevEqOpp), reduction method, and rejection methods. The results were compared using two metrics: Mean Equal Opportunity and Statistical Parity. These findings highlight the effectiveness of FPET across various contexts and introduce a novel approach to fairness in machine learning, ensuring equitable and inclusive decision-makings.
• In zeitgenössischen Entscheidungssystemen ist die Integration von maschinellen Lernmodellen (ML) wie CatBoost, Random Forest und Entscheidungsbäumen allge- genwärtig und übt erheblichen Einfluss auf gesellschaftliche Dynamiken aus. Diese weitverbreitete Anwendung betont die kritische Notwendigkeit wirksamer Fairness- Interventionen, um inhärente Verzerrungen und Diskriminierungen zu mildern. Allerdings adressieren vorherrschende Ansätze überwiegend binäre Klassifikationen und stützen sich häufig auf begrenzte, regionsspezifische Datensätze, was ihre Relevanz und Anwendbarkeit einschränkt. Um diese Mängel zu beheben, schlagen wir eine Erweiterung des Fairness-Projektionsmodells vor, das Ensemble-Learning-basierten Klassifikatoren als Basis Klassifizierungsmodell verwendet. Das vorgeschlagene Modell wird Fairness Projection with Ensemble Trees (FPET) genannt, eine innovative Nachbearbeitungsintervention, die speziell für Multi- Class-Klassifikationsaufgaben entwickelt wurde. Fairness Projection with Ensemble Trees ist einzigartig darauf ausgelegt, mehrere und sich überschneidende geschützte Gruppen zu berücksichtigen, was es vielseitig und inklusiv macht. Ein herausragendes Merkmal von FPET ist seine Modellagnostik und Skalierbarkeit auf große Datensätze, erleichtert durch ein informationstheoretisches Framework, das auf Informationsprojektion basiert. Dieser Ansatz liefert robuste theoretische Garantien hinsichtlich Konvergenz und Stichprobenkomplexität und gewährleistet somit seine praktische Umsetzbarkeit. Darüber hinaus wird das Design von FPET durch die Unterstützung für parallele Verarbeitung verstärkt, was seine Eignung für groß angelegte Anwendungen weiter erhöht. Umfassende Bewertungen an diversen Datensätzen, darunter das ENEM- Prüfungsdatensatz aus Brasilien, HSLS und COMPAS, zeigen die überlegene Leistung unseres vorgeschlagenen Modells, Fairness Projection with Ensemble Trees (FPET), das den CatBoost-Klassifikator sowohl für binäre als auch für Multi- Class- Klassifikationsaufgaben verwendet. In allen Datensätzen zeigte CatBoost herausragende Leistungen. Unsere Fairness-Methode übertraf auch andere Benchmark Modelle wie Equality of Odds (EqOdds), Level Equal Opportunity (LevEqOpp), Reduktionsmethode und Ablehnungsverfahren. Die Ergebnisse wurden anhand von zwei Metriken verglichen: Mean Equal Opportunity und Statistical Parity. Diese Ergebnisse unterstreichen die Wirksamkeit von FPET in verschiedenen Kontexten und führen einen neuartigen Ansatz zur Fairness im maschinellen Lernen ein, der gerechte und inklusive Entscheidungsfindungen sicherstellt.