Fairness-Optimierung verändert Erklärungen von ML-Modellen im Gesundheitswesen
Ein neues arXiv‑Paper zeigt, dass die Einführung von Fairness‑Constraints in maschinellen Lernmodellen nicht nur die Genauigkeit, sondern auch die Erklärbarkeit der Vorhersagen beeinflusst. Die Autoren untersuchten, wie Bias‑Mitigation‑Techniken die Shapley‑basierten Feature‑Rankings verändern, und fanden signifikante Änderungen in der Wichtigkeit einzelner Merkmale.
