结构性直接歧视的局部因果发现
机器学习
2024-12-23 v3 机器学习
摘要
识别不公平的因果路径对于改进政策设计和算法决策至关重要。先前的因果公平性分析工作通常需要知道因果图的结构，这会阻碍在复杂或知识有限的领域的实际应用。此外，能够从数据中学习因果结构的全局发现方法在有限样本上可能显示出不稳定的性能，阻碍了对不公平性的稳健结论。为缓解这些挑战，我们引入了直接歧视的局部发现 (Local discovery for direct discrimination, LD3)：一种通过识别结果变量的因果父母来揭示直接不公平结构证据的方法。LD3 相对于变量集大小进行线性数量的条件独立性检验，允许在所有结果的父母被观测到的充分条件下存在隐性混淆。我们表明，LD3 在加权受控直接效应的一个新图形准则下返回有效的调整集合 (VAS)。LD3 限制了不必要的调整，为评估不公平提供可解释的 VAS。我们使用 LD3 对两个复杂决策系统（犯罪再犯预测和肝脏移植分配）中的因果公平性进行分析。相较于基准方法，LD3 在真实数据上更具时间效率，所得结果更合理，执行时间为基准的 到 。
引用
@article{arxiv.2405.14848,
title = {Local Causal Discovery for Structural Evidence of Direct Discrimination},
author = {Jacqueline Maasch and Kyra Gan and Violet Chen and Agni Orfanoudaki and Nil-Jana Akpinar and Fei Wang},
journal= {arXiv preprint arXiv:2405.14848},
year = {2024}
}