基于组合数据和Dirichlet Transport的分类数据最优传输用于反事实

最近，基于最优传输的方法在推导反事实方面受到关注，例如用于量化算法歧视。然而，在一般的多变量设置中，这些方法常常不透明且难以解释。为此，提出了替代方法，结合因果图和迭代分位数回归（Ple\v{c}ko 和 Meinshausen (2020)）或顺序传输（Fernandes Machado 等 (2025)）以在个体层面检查公平性，常称为“反事实公平”。尽管已有这些进展，但在实际应用中处理分类变量仍是一个重大挑战。本文提出了一种新方法来解决此问题。该方法涉及（1）将分类变量转换为组合数据，（2）在概率单纯形 $\mathbb{R}^d$ 中传输这些组合。我们通过在真实数据上的示例演示了该方法的适用性和有效性，并讨论了局限性。