因果上下文将反事实公平与鲁棒预测及群体公平相联系

反事实公平要求：如果一个人拥有不同的受保护类别（如不同种族或性别），AI或其他算法系统对其的分类方式应相同。这是一个直观的标准，正如美国法律体系所反映的，但其使用受限，因为反事实无法在真实世界数据中直接观测。另一方面，群体公平指标（例如人口均等等价或均等几率）较不直观但更易观测。在本文中，我们利用$\textit{causal context}$（因果上下文）来弥合反事实公平、鲁棒预测与群体公平之间的鸿沟。首先，我们通过表明公平与准确性之间未必存在根本权衡来论证反事实公平的合理性，因为在合理条件下，反事实公平预测器实际上在无偏目标分布中是准确性最优的。其次，我们建立了数据生成过程的因果图与哪些（若有）群体公平指标等价于反事实公平之间的对应关系。第三，我们展示在三种常见公平情境$\unicode{x2013}$测量误差、基于标签的选择、以及基于预测变量的选择$\unicode{x2013}$中，反事实公平分别等价于人口均等等价、均等几率和校准。反事实公平有时可通过测量相对简单的群体公平指标来检验。