用迁移反事实学习评估电力服务不公平性
机器学习
2024-01-25 v2 统计方法学
摘要
能源公平是跨学科能源研究中日益受关注的领域。然而，由于混杂变量、反事实效应中复杂的异质性以及有限的数据可用性，识别能源领域的系统性偏差仍然具有挑战性。首先，本文展示了如何通过分析与特定受保护属性的平均因果效应来评估电力系统中的反事实不公平性。随后，我们利用子群分析处理模型异质性，并引入一种基于迁移学习的反事实不公平性估计新方法，有助于缓解各子群中的数据稀缺问题。在数值分析中，我们将该方法应用于一个独特的大规模客户级停电数据集，并研究了人口统计因素（如居民收入与年龄）对停电时长的反事实效应。我们的结果表明，在低收入和老年人口密集地区，日常与灾后运行下均持续经历更长的停电时间，且此类歧视在严峻条件下加剧。这些发现表明电力服务系统中存在广泛的系统性不公问题，并强调有必要对弱势社区进行针对性干预。
引用
@article{arxiv.2310.03258,
title = {Assessing Electricity Service Unfairness with Transfer Counterfactual Learning},
author = {Song Wei and Xiangrui Kong and Alinson Santos Xavier and Shixiang Zhu and Yao Xie and Feng Qiu},
journal= {arXiv preprint arXiv:2310.03258},
year = {2024}
}
备注
The preliminary version titled "Detecting Electricity Service Equity Issues with Transfer Counterfactual Learning on Large-Scale Outage Datasets" is presented at NeurIPS 2023 Workshops on Causal Representation Learning (CRL) and Algorithmic Fairness through the Lens of Time (AFT); See v1