反事实公平性基本上等同于人口均等的公平性

在社会环境中合乎伦理地部署机器学习算法时，做出公平的决策至关重要。本文考虑由[Kusner et al., NeurIPS, 2017]提出的著名的反事实公平性(counterfactual fairness)定义。我们首先证明，满足反事实公平性的算法同时也满足人口均等(demographic parity)这一远为简单的公平性约束。类似地，我们证明所有满足人口均等的算法都可以被平凡地修改以满足反事实公平性。综上，我们的结果表明反事实公平性基本上等价于人口均等，这对日益增长的关于反事实公平性的研究具有重要的启示。随后我们通过实证验证理论发现，将三种现有的反事实公平性算法与三个简单基准进行比较分析。我们发现，在多个数据集上，两个简单的基准算法在公平性、准确性和效率方面均优于全部三种现有算法。我们的分析引导我们形式化了一个具体的公平性目标：保护群体内个体顺序的保持。我们认为，保护群体内个体顺序的透明性使公平算法更值得信赖。根据设计，这两个简单基准算法满足该目标，而现有的反事实公平性算法则不满足。