L'interprétabilité et l'équité sont deux propriétés de plus en plus recherchées en apprentissage machine. Toutefois, l'apprentissage de modèles interprétables optimaux et respectant des contraintes d'équité statistique a été identifié comme l'un des grands défis techniques à l'interprétabilité. En effet, les contraintes d'équité modifient l'espace des solutions admissibles, rendant plus difficile son exploration.

FairCORELS est un algorithme d'apprentissage supervisé permettant l'apprentissage de modèles de type listes de règles certifiés optimaux et respectant des contraintes d'équité. FairCORELS est basé sur CORELS, un algorithme de branch-and-bound permettant l'apprentissage de listes de règles optimales. En raison des contraintes d'équité imposées dans FairCORELS, certaines structures de données utilisées dans CORELS ne peuvent plus être utilisées, et l'exploration de l'espace de recherche est alors plus difficile.

Nous proposons une approche basée sur la PLNE tirant profit des contraintes d'équité, et de leur interaction avec la précision, pour élaguer l'espace de recherche efficacement et guider son exploration. Les expérimentations menées montrent que l'approche proposée accélère la convergence et permet l'apprentissage de modèles équitables optimaux.