因果公平性测试
机器学习
2025-02-19 v1
摘要
因果性在公平性分析中广泛用于防止针对敏感属性（如职业招聘中的性别或犯罪预测中的种族）的歧视。然而，当前基于数据的方法的潜在结果框架（POF）在处理高维数据时常导致不可信的公平性分析结果。为此，我们引入基于分布的 POF，将公平性分析转化为分布距离测试（DCT），通过干扰敏感属性实现。我们定义 counterfactual closeness 公平性作为 DCT 的原假设，其中认为只要其事实和反事实潜在结果分布足够接近，敏感属性即 considered fair。我们引入规范自适应最大均值偏差处理效应（N-TE）作为衡量分布接近度的统计量，并应用 DCT 使用 N-TE 的经验估计量，称为 Counterfactual Fairness-CLOseness Testing（）。为确保测试结果的可信度，我们通过严格的理论分析建立了 N-TE 的测试一致性。 通过灵活的接近度参数 的灵活性，展示了在公平性分析中的灵敏性。实验在 various 实际场景中成功测试了不公平的敏感属性，验证了测试的一致性。
引用
@article{arxiv.2502.12874,
title = {Testing for Causal Fairness},
author = {Jiarun Fu and LiZhong Ding and Pengqi Li and Qiuning Wei and Yurong Cheng and Xu Chen},
journal= {arXiv preprint arXiv:2502.12874},
year = {2025}
}