通过辅助变量实现反事实公平性
机器学习
2025-02-21 v3 数据结构与算法
机器学习
摘要
在机器学习模型中平衡公平性与预测准确性的挑战，尤其是当考虑种族、性别或年龄等敏感属性时，近年来激发了大量研究。反事实公平性确保预测在敏感属性的反事实变化下保持一致，这是应对社会偏见的一个关键概念。然而，现有的反事实公平性方法通常忽略敏感特征的内在信息，限制了其在保持性能的同时实现公平的能力。为应对这一挑战，我们引入了外生因果推理(EXOC)，这是一种由外生变量驱动的新型因果推理框架。它利用辅助变量来揭示产生敏感属性的内在属性。我们的框架显式定义了一个辅助节点和一个控制节点，它们对反事实公平性做出贡献并控制模型内的信息流。在合成和真实数据集上的评估验证了EXOC的优越性，表明它在实现反事实公平性方面优于现有最先进方法。代码地址：https://github.com/CASE-Lab-UMD/counterfactual_fairness_2025。
引用
@article{arxiv.2412.04767,
title = {Towards counterfactual fairness through auxiliary variables},
author = {Bowei Tian and Ziyao Wang and Shwai He and Wanghao Ye and Guoheng Sun and Yucong Dai and Yongkai Wu and Ang Li},
journal= {arXiv preprint arXiv:2412.04767},
year = {2025}
}
备注
arXiv admin note: text overlap with arXiv:2307.08232 by other authors