基于因果约束解耦表示的反事实公平性
机器学习
2023-12-19 v2 人工智能
计算机与社会
摘要
许多研究致力于公平表示学习问题；然而，它们未明确潜在表示之间的关系。在许多现实应用中，潜在表示之间可能存在因果关系。此外，大多数公平表示学习方法关注群体级公平并基于相关性，忽略了数据底层的因果关系。在本文中，我们从理论上证明使用结构化表示能使下游预测模型实现反事实公平性，随后提出反事实公平变分自编码器（CF-VAE）以根据领域知识获取结构化表示。实验结果表明，所提方法比基准公平方法取得了更好的公平性与准确性性能。
引用
@article{arxiv.2208.09147,
title = {Disentangled Representation with Causal Constraints for Counterfactual Fairness},
author = {Ziqi Xu and Jixue Liu and Debo Cheng and Jiuyong Li and Lin Liu and Ke Wang},
journal= {arXiv preprint arXiv:2208.09147},
year = {2023}
}
备注
This paper has been accepted by PAKDD 2023. Please check: https://doi.org/10.1007/978-3-031-33374-3_37