To Split or not to Split: The Impact of Disparate Treatment in Classification

Artículo académico que aborda el tratamiento dispar en modelos de aprendizaje automático, es decir, la situación en la que un modelo toma decisiones diferentes para individuos según atributos sensibles como la edad o el sexo. El trabajo analiza si es beneficioso entrenar modelos separados para cada grupo (clasificadores divididos) en lugar de usar un único modelo que ignore los atributos sensibles (clasificador ciego al grupo). Para ello, se introduce una métrica llamada beneficio de la división, que mide la mejora de rendimiento obtenida al usar clasificadores específicos por grupo.