风险评估工具的公平性：通过后处理实现反事实均等几率

在刑事司法、医学和社会福利等领域，决策者日益能够使用算法风险评估工具（RAIs）。RAIs 估计诸如再犯或儿童疏忽等不利结果的风险，并可能为高利害决策（如是否保释被告或启动儿童福利调查）提供信息。确保 RAIs 的公平性十分重要，以使此类决策的收益与危害得以公平分配。最广泛使用的算法公平性准则针对可观测结果（如一个人是否实际再犯）制定，但应用于 RAIs 时这些准则具有误导性。由于 RAIs 旨在为能够降低风险的干预措施提供信息，预测本身会影响下游结果。近期研究认为，RAIs 的公平性准则应转而利用潜在结果，即若无适当干预时会发生的结果。然而，目前尚无方法满足此类公平性准则。本文中，我们针对其中之一——反事实均等几率（counterfactual equalized odds）。我们开发了一种通过后处理得到的预测器，通过双稳健估计量进行估计，将先前的后处理方法扩展并适配到反事实设定。我们还提供了任意固定后处理预测器的风险与公平性性质的双稳健估计量。我们的预测器以快速收敛速率逼近最优公平预测器。我们阐释了方法的性质，并表明其在模拟与真实数据上均表现良好。