带图不确定性的反事实公平性
机器学习
2026-01-07 v1 人工智能
计算机与社会
摘要
评估机器学习 (ML) 模型偏差是构建可信赖且稳健 ML 系统的关键。反事实公平性 (CF) 审计允许以因果框架测量 ML 模型的偏差，但其结论依赖于少数情境下已知的单一因果图。我们提出带图不确定性的反事实公平性 (CF-GU)，一种纳入指定因果图不确定性 into CF 的偏差评估程序。CF-GU (i) 在域知识约束下对因果发现算法进行自助抽样，以产生一组合理的有向无环图 (DAG)，(ii) 采用归一化香农熵量化图不确定性，(iii) 提供 CF 指标的置信区间。在合成数据实验中展示了如何通过对比域知识假设来支持或反驳 CF 审计；在真实数据实验中（COMPAS 和 Adult 数据集），即使仅提供最小的域知识约束，也能以高置信度指出已知偏差。
引用
@article{arxiv.2601.03203,
title = {Counterfactual Fairness with Graph Uncertainty},
author = {Davi Valério and Chrysoula Zerva and Mariana Pinto and Ricardo Santos and André Carreiro},
journal= {arXiv preprint arXiv:2601.03203},
year = {2026}
}
备注
Peer reviewed pre-print. Presented at the BIAS 2025 Workshop at ECML PKDD