因果机器学习公平性概念调查

Oct, 2020

Survey on Causal-based Machine Learning Fairness Notions

Karima Makhlouf, Sami Zhioua, Catuscia Palamidessi

TL;DR本文探讨了基于因果关系的公平性概念及其在实际场景中的适用性，并针对采用观察数据估计因果量的不同方法，包括可辨识性和潜在结果框架进行了综合报告，提供出一个指南来帮助选择适合特定实际场景的公平性概念，并根据 Pearl 的因果推理难度对公平性概念进行了排名。

Abstract

Addressing the problem of fairness is crucial to safely use machine learning algorithms to support decisions with a critical impact on people's lives such as job hiring, child maltreatment, disease diagnosis, loa

fairness machine learning causality observational data real-world scenarios

发现论文，激发创造

PC-Fairness: 基于因果关系公平的统一框架

本研究提出了一种计算因果公平性的框架，其中定义了一个旨在涵盖前期因果公平概念的统一定义，并使用约束优化问题对路径特定反事实公平性进行了界定，以解决可辨识性的问题，实验表明了本方法的正确性和有效性。

Oct, 2019

机器学习中的公平性

讨论如何使用因果贝叶斯网络和最优输运理论来处理机器学习公平性问题，尤其是在复杂的不公平场景下，提出了一种统一的框架来处理不同的情况和公平标准，并介绍了一种学习公平表示的方法和一种考虑敏感属性使用限制的技术。

Dec, 2020

公平和偏见的逻辑理论

本文主要论述机器学习中公平性问题，提出三种公平模型：无意识公平、人口统计学公平和反事实公平，并在认识情境演算中进行了形式化的定义。

Jun, 2023

公平性概念及相关紧张关系综述

本文旨在调查研究自动化决策系统中机器学习算法存在的偏差及其与公平、隐私和分类准确性之间的关系，并综述了处理公平 - 准确性权衡的不同方法。作者通过实验分析了公平度量和准确度在现实世界场景中的关系。

Sep, 2022

数学概念与人类对公平的感知：机器学习中公平的描述性方法

本研究在于确定机器学习模型应用在社会领域中哪种公平性定义最为合适，通过自适应实验发现，人们普遍倾向于使用最简单的数学公式 —— 人口平等来衡量公平性。

Feb, 2019

机器学习公平性概念：与现实世界应用的联系

本文介绍公平概念的多种不同观点，并提出了在真实世界场景下最适合的公平概念，该结果总结于决策图中，以帮助从业者和决策者浏览 ML 的巨大目录。

Jun, 2020

因果推断用于公平性

本文强调通过因果关系的发现步骤，适当地使用因果关系来解决公平性问题的重要性，并且通过使用合成和标准公平性基准数据集的实证分析来证实了即使微小的因果模型差异也可能对公平性 / 歧视的结论产生重大影响。

Jun, 2022

因果公平概念及其后果

通过分析算法公平性的因果定义，本文发现无论是基于对抗偏见的决策影响还是基于法律保护分类的影响，这些定义几乎总是以极端帕累托支配的决策方案结束，这突显了因果公平性普遍数学概念的形式限制和潜在的不良后果。

Jul, 2022

因果公平性分析

本文提出了一个因果公平性分析的框架，以理解、建模和可能解决决策设置中的公平问题。研究挑战是挖掘潜在的因果机制并将各种公平度量与结构机制和人口单位归因。最后，提出了一个公平的菜谱，以评估不公平对各个人群的影响。

Jul, 2022

从观测数据中学习反事实公平性

本文提出了一种新的框架 CLAIRE，通过对反事实数据增广和不变化惩罚的表征学习框架有效地减轻了敏感属性的偏差，并在合成和真实数据集上的实验验证了 CLAIRE 在反事实公平性和预测性能方面的优越性。

Jul, 2023