未观测混杂下的因果公平性：一种神经敏感性框架
机器学习
2024-10-23 v3 人工智能
计算机与社会
统计方法学
摘要
由于法律、伦理和社会原因，机器学习预测的公平性在实践中有广泛需求。现有工作通常聚焦于无未观测混杂的情形，尽管未观测混杂会导致对因果公平性的严重违背，从而造成不公平的预测。在本工作中，我们分析因果公平性对未观测混杂的敏感性。我们的贡献有三方面。首先，我们在不同来源的未观测混杂下推导了因果公平性度量的界。这使从业者能够在公平性关键应用中检验其机器学习模型对未观测混杂的敏感性。其次，我们提出了一种用于学习公平预测的新型神经框架，其使我们能够提供因果公平性因未观测混杂而被违背程度的最坏情况保证。第三，我们在一系列实验中展示了我们框架的有效性，包括一个关于预测监狱刑期的真实案例研究。据我们所知，我们的工作是首个研究未观测混杂下因果公平性的工作。为此，我们的工作具有直接的实际价值，作为一种反驳策略以确保高风险应用中预测的公平性。
引用
@article{arxiv.2311.18460,
title = {Causal Fairness under Unobserved Confounding: A Neural Sensitivity Framework},
author = {Maresa Schröder and Dennis Frauen and Stefan Feuerriegel},
journal= {arXiv preprint arXiv:2311.18460},
year = {2024}
}