用于不公平边优先级排序与歧视消除的因果线性模型：量化边流与边不公平性

执法部门在缓解潜在不公平之前必须优先处理不公平来源，因其资源有限。与以往仅提出歧视警示并在数据生成后去偏的文献不同，本文试图在真实世界中缓解不公平之前优先处理不公平来源。我们假设一个代表数据生成过程的因果贝叶斯网络，以及导致不公平的敏感节点均已给定。我们量化边流（即沿边流动、通过衰减间接路径影响而得到的信念），并用以量化边不公平性。我们证明，在给定无误差的条件概率线性模型时，若边不公平性不存在，则任何决策（如司法保释）对任何敏感群体（如种族）的累积不公平性都不存在。我们随后度量当边不公平性降低时缓解累积不公平性的潜力。基于这些度量，我们提出一种不公平边优先级排序算法以优先处理不公平边，以及一种歧视消除流程以对生成的数据分布去偏。实验部分验证了用于量化上述度量的设定。