关于结果的公平推断
机器学习
2018-01-23 v4
摘要
本文考虑涉及结果变量的公平统计推断问题。例子包括分类与回归问题，以及在随机试验或观测数据中估计处理效应。当某些协变量或处理因其具有产生歧视的潜力而变得“敏感”时，公平性问题便在此类问题中出现。本文主张，歧视的存在可以以一种合理的方式形式化为敏感协变量沿特定因果路径对结果产生的效应，这一观点推广了(Pearl, 2009)的工作。然后，可以通过求解一个约束优化问题来学习一个公平的结果模型。我们讨论了由于这一观点在经典统计推断中引发的若干复杂情况，并基于因果推断与半参数推断的最新研究提供了变通方案。
引用
@article{arxiv.1705.10378,
title = {Fair Inference On Outcomes},
author = {Razieh Nabi and Ilya Shpitser},
journal= {arXiv preprint arXiv:1705.10378},
year = {2018}
}