fairadapt：用于公平数据预处理的因果推理
机器学习
2021-10-22 v1 人工智能
计算机与社会
机器学习
摘要
机器学习算法可用于各类预测任务，但它们也可能学会基于性别、种族或其他敏感属性进行歧视。这一认识催生了公平机器学习领域，旨在度量并缓解此类算法偏见。本手稿描述了 R 语言包 fairadapt，其实现了一种因果推断预处理方法。通过利用因果图模型与观测数据，该方法可用于处理“若我属于不同性别/种族，我的薪水会是多少？”形式的假设性问题。此类个体层面的反事实推理有助于消除歧视并论证公平决策的合理性。我们还讨论了适当的松弛条件，其假设从敏感属性到结果的某些因果路径并非歧视性的。
引用
@article{arxiv.2110.10200,
title = {fairadapt: Causal Reasoning for Fair Data Pre-processing},
author = {Drago Plečko and Nicolas Bennett and Nicolai Meinshausen},
journal= {arXiv preprint arXiv:2110.10200},
year = {2021}
}
备注
Keywords: algorithmic fairness, causal inference, machine learning