Estudio sobre el ajuste óptimo de pesos en SPODEs para balancear Accuracy y Fairness en el clasificador probabilístico AODE

M. Julia Flores, José A. Gámez

Keywords: Optimización Multiobjetivo, Clasificadores Bayesianos, AODE, Naive Bayes, Equidad, Fairness

TL;DR: Y.. ¿si pudiéramos optimizar con evolutivos el clasificador AODE para poder ser más justo con respecto a variables sensibles?

Abstract: Este proyecto propone un enfoque basado en optimización multiobjetivo y algoritmos evolutivos para parametrizar el clasificador Average One-Dependence Estimators (AODE), mediante un sistema de pesado de los diferentes SPODEs. El estudio está centrado en el impacto que este pesado produce respecto a la mejora en cuanto a medidas de fairness (equidad) para este clasificador, sin menoscabar en exceso su precisión. Se utilizará Naïve Bayes como baseline para comparar los resultados. La optimización se llevará a cabo mediante técnicas evolutivas como NSGA-II o MOEA/D, buscando configuraciones óptimas que reduzcan sesgos en conjuntos de datos con atributos sensibles. Se evaluará el impacto del ajuste de pesos en varios datasets, utilizando métricas estándar de clasificación y equidad. Finalmente, se analizarán los trade-offs entre precisión y fairness a través de la exploración de fronteras de Pareto, validando la viabilidad del enfoque propuesto.

Submission Number: 10