透过结构因果模型与个体公平性视角的Wasserstein分布鲁棒优化
机器学习
2025-10-01 v1
摘要
近年来，Wasserstein分布鲁棒优化（DRO）因其在分布不确定性下数据驱动决策中的有效性而引起了广泛关注。然而，关于应用DRO来解决个体公平性问题的研究仍然有限，特别是在学习问题中考虑因果结构和敏感属性时。为了填补这一空白，我们首先从因果性和个体公平性角度对DRO问题进行了形式化。然后，我们提出了DRO的对偶形式，作为将DRO问题转化为更易处理且计算高效形式的工具。接下来，我们将近似最坏情况损失量的闭式刻画为正则化项，消除了极小极大DRO问题中的极大化步骤。我们进一步在更一般的情况下估计了该正则化项，并探讨了DRO与经典鲁棒优化之间的关系。最后，通过去除已知结构因果模型的假设，我们在使用经验分布和估计的因果结构设计DRO时提供了有限样本误差界限，以确保学习的有效性与鲁棒性。
引用
@article{arxiv.2509.26275,
title = {Wasserstein Distributionally Robust Optimization Through the Lens of Structural Causal Models and Individual Fairness},
author = {Ahmad-Reza Ehyaei and Golnoosh Farnadi and Samira Samadi},
journal= {arXiv preprint arXiv:2509.26275},
year = {2025}
}