Краткое содержание

arXiv:2511.11767v1 Тип: новая работа Аннотация: Несмотря на недавние успехи в машинном обучении с учетом справедливости, прогностические модели часто демонстрируют дискриминационное поведение в отношении уязвимых групп. Такая несправедливость может возникать из-за смещенных данных для обучения, проектирования модели или репрезентативных различий между группами, что создает серьезные проблемы в областях принятия ответственных решений, таких как зачисление в вузы. Хотя существующие модели справедливого обучения направлены на снижение смещений, достижение оптимального баланса между справедливостью и точностью остается сложной задачей. Более того, зависимость от моделей типа «черный ящик» затрудняет интерпретируемость, ограничивая их применимость в социально чувствительных областях. В данной статье мы пытаемся обойти эти проблемы, интегрируя сети Колмогорова-Арнольда (KAN) в рамках подхода справедливого обучения с использованием состязательных сетей. Используя состязательную robustness и интерпретируемость KAN, наш подход позволяет достичь баланса между справедливостью и точностью. Для дальнейшего облегчения достижения этого баланса мы предлагаем