面向公平排序的因果交叉性方法
机器学习
2020-06-17 v1 人工智能
应用统计
机器学习
摘要
本文提出一种交叉性公平的因果建模方法，以及一种灵活的、任务特定的计算交叉性公平排序的方法。排序被用于诸多场景，从 Web 搜索结果到大学招生，但针对公平排序的因果推断所受关注有限。此外，日益增长的因果公平文献很少关注交叉性。通过将这些问题纳入一个形式化因果框架，我们使交叉性在公平机器学习中的应用变得明确，并与重要的现实世界效应和领域知识相连，同时对技术局限保持透明。我们在真实与合成数据集上实验评估了我们的方法，探索其在不同结构假设下的行为。
引用
@article{arxiv.2006.08688,
title = {Causal intersectionality for fair ranking},
author = {Ke Yang and Joshua R. Loftus and Julia Stoyanovich},
journal= {arXiv preprint arXiv:2006.08688},
year = {2020}
}