基于双重机器学习的反事实公平回归

反事实公平是一种AI公平方法，试图基于具有某种敏感状态的个体若无此状态本应得到的结果来做出决策。本文提出双重机器学习（DML）公平，将回归问题中的反事实公平问题类比于潜在结果框架下因果推断中的反事实结果估计问题。它使用任意机器学习方法将敏感变量对非敏感变量与结果的影响部分剔除。假设两组变量的影响可加可分，结果将近似均等化，且个体层面的结果具有反事实公平性。本文在工作场所招聘歧视相关的模拟研究以及估计法学院学生GPA的真实数据应用中展示了该方法。随后讨论了何时适合将此类方法应用于概念上复杂的现实世界歧视问题，以及DML公平能否在这些场景中实现正义。