基于部分已知因果图的反事实公平性
机器学习
2023-01-18 v3
摘要
公平机器学习旨在避免基于性别、种族等敏感属性对个体或子群体产生不利对待。那些建立在因果推断之上的公平机器学习方法通过因果效应来确定歧视与偏差。尽管基于因果的公平学习正受到越来越多关注，现有方法均假设真实因果图完全已知。本文提出一种在真实因果图未知时实现反事实公平性概念的通用方法。为能筛选导致反事实公平的特征，我们推导了在部分有向无环图（PDAG）——一类可从观测数据结合领域知识学到的因果 DAG——上识别变量间祖先关系的条件与算法。有趣的是，我们发现当提供特定背景知识（敏感属性在因果图中无祖先）时，反事实公平性可如同真实因果图完全已知般实现。在模拟与真实数据集上的结果证明了方法的有效性。
引用
@article{arxiv.2205.13972,
title = {Counterfactual Fairness with Partially Known Causal Graph},
author = {Aoqi Zuo and Susan Wei and Tongliang Liu and Bo Han and Kun Zhang and Mingming Gong},
journal= {arXiv preprint arXiv:2205.13972},
year = {2023}
}
备注
Accepted to NeurIPS22