实现异常检测的反事实公平性
机器学习
2023-03-07 v1
摘要
确保异常检测模型的公平性近来备受关注，因为许多异常检测应用涉及人类。然而，现有的公平异常检测方法主要关注基于关联的公平性概念。在本工作中，我们瞄准反事实公平性，这是一种流行的基于因果的公平性概念。反事实公平异常检测的目标是确保个体在事实世界中的检测结果与在其属于不同群体的反事实世界中的检测结果相同。为此，我们提出一种反事实公平异常检测（CFAD）框架，其包含两个阶段：反事实数据生成与公平异常检测。在合成数据集与两个真实数据集上的实验结果表明，CFAD 能有效检测异常并确保反事实公平性。
引用
@article{arxiv.2303.02318,
title = {Achieving Counterfactual Fairness for Anomaly Detection},
author = {Xiao Han and Lu Zhang and Yongkai Wu and Shuhan Yuan},
journal= {arXiv preprint arXiv:2303.02318},
year = {2023}
}
备注
To appear in PAKDD.The code is available at https://github.com/hanxiao0607/CFAD