图不确定性下的公平性：基于变量簇的部分已知因果图实现干预公平性
机器学习
2026-03-02 v1 机器学习
摘要
算法对个体的决策需要准确且公平的预测，这些预测相对于敏感属性（如性别和种族）必须公平。因果公平性概念与法律要求相吻合，但许多方法假设可获得底层因果图的详细信息，这在实际中往往难以实现。我们提出一种学习框架，通过利用针对变量簇的因果图来实现干预公平性，该因果图的估计显然比变量级因果图更容易获取。凭借来自此类因果图识别的可能的"调整簇集合"，我们的框架通过降低这些集合之间干预分布的最大差异来训练预测模型。为此，我们开发了一种计算效率更高的重心核最大均值违例（MMD），其规模对敏感属性值的数量优势明显。大量实验表明，我们的框架在公平性和准确性之间取得了比现有方法更好的平衡，凸显了在因果图知识有限时的有效性。
引用
@article{arxiv.2602.23611,
title = {Fairness under Graph Uncertainty: Achieving Interventional Fairness with Partially Known Causal Graphs over Clusters of Variables},
author = {Yoichi Chikahara},
journal= {arXiv preprint arXiv:2602.23611},
year = {2026}
}
备注
26 pages, 9 figures