基于因果公平引导与神经网络的数据集重加权方法
机器学习
2023-11-20 v1
摘要
在机器学习模型中实现公平性的重要性再怎么强调也不为过。近期研究指出，公平性应从因果视角审视，并提出了若干基于 Pearl 因果框架的公平性概念。本文中，我们构建了一种数据集重加权方案以应对因果公平性。我们的方法旨在通过考量变量间的因果关系并将其纳入重加权过程来减轻偏差。所提方法采用两个神经网络，其结构被有意用于反映因果图与干预图的结构。这两个神经网络可分别逼近数据的因果模型与干预的因果模型。此外，由判别器引导的重加权被用于实现多种公平性概念。在真实世界数据集上的实验表明，我们的方法能在数据上实现因果公平性，同时对于下游任务仍保持接近原始数据。
引用
@article{arxiv.2311.10512,
title = {Causal Fairness-Guided Dataset Reweighting using Neural Networks},
author = {Xuan Zhao and Klaus Broelemann and Salvatore Ruggieri and Gjergji Kasneci},
journal= {arXiv preprint arXiv:2311.10512},
year = {2023}
}
备注
To be published in the proceedings of 2023 IEEE International Conference on Big Data (IEEE BigData 2023)