数据集概述
本数据集是研究论文的复现包，聚焦预训练深度神经网络（DNN）模型的公平性优化，通过敏感属性修剪技术移除模型偏见，并评估公平性表现。包含实验代码、数据集、模型文件及结果，支持复现单属性与多属性修剪的对比实验。
文件详解
数据集为一个压缩文件，解压后目录结构如下：
- 根目录文件：Prune-the-Bias-From-the-Root.zip，包含所有实验相关的文件和目录。
- 解压后目录结构及核心内容：
- data/：存放4个公平性研究常用数据集（Bank Marketing、German Credit、Adult Census、COMPAS）。
- models/：包含实验使用的32个预训练DNN模型文件。
- results/：存储实验结果及统计分析文件，包括各数据集子目录（AC、BM、GC、compas）、统计测试代码statistic_test.py、单属性修剪t检验结果文件single_att_ttest.json。
- src/：各数据集对应的后处理方法实现代码，按数据集划分目录（AC、BM、GC、compas）。
- utils/：工具类代码目录。
- tables/：实验结果表格文件目录。
- README.md：数据集说明文档。
适用场景
- 人工智能公平性研究：分析预训练DNN模型的偏见来源，评估敏感属性修剪技术的有效性。
- 机器学习复现研究：复现论文提出的单属性与多属性修剪实验，验证其在不同模型和数据集上的表现。
- 算法公平性评估：对比属性修剪与现有后处理方法（如equalized odds）在准确性和公平性上的权衡。
- 多属性公平性分析：利用多属性修剪技术探究模型中多敏感属性的交互影响及公平性估计。
