通过结合事实预测与反事实预测实现反事实公平性

在医疗和招聘等高风险领域，机器学习在决策中发挥着重要作用，这引发了显著的公平性 concerns。本工作聚焦于反事实公平性（CF），即机器学习模型对任何个体的结果应保持不变，如果他们属于不同的人口统计群体。以往研究提出了保证CF的方法，但这些方法对模型预测性能的影响尚不清楚。为填补这一空白，我们以模型无关的方式提供了关于CF与预测性能之间内在权衡的理论研究。我们首先提出一种简单而有效的方法，将最优但可能不公平的预测器转化为公平的预测器，而不会牺牲最优性。通过分析其剩余风险以实现CF，我们量化了这种内在权衡。进一步分析了在仅获得不完整因果知识的情况下我们方法的性能。基于此，我们提出了一个可在此类情境中应用的高性能算法。在合成数据和半合成数据上的实验表明，我们的分析和方法的有效性。