Sep, 2023
利用因果推断和随机实验测量、解释和改善算法的公平性
Measuring, Interpreting, and Improving Fairness of Algorithms using Causal Inference and Randomized Experiments
James Enouen, Tianshu Sun, Yan Liu
TL;DR本文利用因果推断和解释性机器学习的最新进展，提出了一种算法无关的框架 (MIIF)，用于测量、解释和改进算法决策的公平性。我们使用随机实验来测量算法偏差，从而能够同时测量不同对待、不同影响和经济价值。此外，利用现代解释性技术，我们开发了一个可解释的机器学习模型，准确解释和提炼黑盒算法的信念。总的来说，这些技术为研究算法公平性创造了一个简单而强大的工具集，特别适用于理解实际应用中公平性成本的电子商务和目标广告等领域，其中行业的 A/B 测试已经非常丰富。