通过正交于偏差的数据转换实现反事实公平性

机器学习模型在解决各类复杂问题方面展现了卓越的能力，但有时会表现出偏见性的决策，导致不同群体受到不公平的对待。尽管已有大量研究旨在实现反事实公平性，但针对多变量和连续敏感变量对决策结果影响的方法仍显不足。我们提出了一种新颖的数据预处理算法，称为正交于偏差（Orthogonal to Bias, OB），旨在消除一组连续敏感变量对决策的影响，从而促进机器学习应用中的反事实公平。我们的方法基于结构因果模型（SCM）中假设的联合正态分布，证明通过确保数据与观察到的敏感变量正交即可实现反事实公平。该 OB 方法具有模型无关性，适用于广泛的机器学习模型和任务。此外，它包含稀疏变体，通过正则化提高数值稳定性。在包含离散和连续敏感变量的模拟和真实数据集上进行的经验评估表明，我们的方法有效地促进了更公平的结果，而不会牺牲准确性。