基于路径特定因果效应约束的个体公平分类器学习

机器学习被用于在各领域中对个体进行决策，这要求我们在实现良好预测准确率的同时，确保相对于敏感特征（如种族和性别）的公平性。然而，在复杂的现实场景该问题仍然困难。为了量化此类情形下的不公平性，现有方法利用路径特定因果效应。然而，它们均无法在不对数据做出不切实际的函数假设的前提下确保每个个体的公平性。本文中，我们提出了一种实用得多的用于学习个体公平分类器的框架。为避免限制性的函数假设，我们定义了个体不公平概率（PIU）并求解一个优化问题，其中PIU的上界（可从数据估计）被控制为接近零。我们阐明了我们的方法为何能保证每个个体的公平性。实验结果表明，我们的方法能以微小的准确率代价学习到个体公平的分类器。