FairPFN：用于因果公平性的表格基座模型

机器学习（ML）系统被广泛应用于医疗、法务和金融等关键领域。然而，这些系统通常在包含人口偏差的历史数据上进行训练，导致ML决策延续或加剧现存的社会不平等。因果公平性提供了透明、人类在回路中的框架，以缓解算法歧视，与法律中直接和间接歧视的学说高度一致。然而，当前的因果公平性框架存在一个关键局限：它们假设已知正确的因果模型，这限制了其在因果模型未知或难以识别的复杂公平情景中的适用性。为弥合这一差距，本文提出了FairPFN——一个在合成因果公平性数据上预训练的表格基座模型，用于识别和缓解其预测中受保护属性的因果效应。FairPFN的关键贡献在于无需因果模型知识，即可在多样化的手工设计和真实场景中表现出色，相对于稳健的基线方法在识别和消除受保护因果效应方面均显示出强大的性能。FairPFN为未有前景的研究指明了道路，使因果公平性更易于被更广泛的复杂公平问题所采用。