使用生成对抗网络进行预测的反事实公平性

Oct, 2023

使用生成对抗网络进行预测的反事实公平性

Counterfactual Fairness for Predictions using Generative Adversarial Networks

Yuchen Ma, Dennis Frauen, Valentyn Melnychuk, Stefan Feuerriegel

TL;DR通过开发一种名为生成对抗平衡网络（GCFN）的新颖深度神经网络，本文研究了在反事实公平性下进行预测的方法，并通过一种新颖的反事实调节器正则化方式，借助量身定制的生成对抗网络直接学习敏感属性后代的反事实分布，较好地保证了反事实公平性的概念。该方法解决了现有基于推断潜在变量的基线方法存在的问题，并在各种实验证明，其性能达到了最先进水平。在自由刑滞后预测的现实案例研究中，我们进一步证明了我们的方法在实践中能够作出有意义的预测。

Abstract

fairness in predictions is of direct importance in practice due to legal, ethical, and societal reasons. It is often achieved through counterfactual fairness, which ensures that the →

fairness counterfactual fairness deep neural network generative counterfactual fairness network prediction

发现论文，激发创造

基于图反事实方法的图神经网络公平性改进

本研究提出了一种基于因果理论的框架，即 CAF，用于解决图学习中的公平性问题，通过选择训练数据中的反事实因素来学习公平的节点表示，以避免非现实反事实因素，并在合成和真实数据集上进行了广泛的实验验证其有效性。

Jul, 2023

使用图对抗公平性学习公平节点表示

本文提出了一种新的公平性概念 —— 图形对照公平性，并基于对照数据增强提出了一种学习节点表示的框架，以减少模型在涉及敏感属性的图形数据中的偏见，该框架在合成和真实世界的图形上的实验表明，优于现有的基线图形对照公平性，并且在预测性能方面有可比性。

Jan, 2022

反事实公平表达

在这项研究中，我们提出了一种使用所有可用特征进行训练的新算法，从理论和实证方面证明了使用该方法训练的模型能够满足 Counterfactual Fairness。

Nov, 2023

CounteRGAN：使用剩余生成对抗网络生成逼真对抗事实

使用生成对抗网络（GANs）提出一种称为 CounteRGAN 的方法，以提高虚拟出的因果性的真实性和可操作性，并在实时情况下提高可行性来提供有意义的解释。

Sep, 2020

带有监督对比正则化的公平图神经网络

我们提出了一种用于训练关注公平性的图神经网络的新模型，该模型通过整合监督对比损失和环境损失来提高准确性和公平性，实验证明该模型在三个真实数据集上优于其他现有的基于图的学习方法以及之前的模型。

Apr, 2024

公平临床风险预测的反事实推理

本文使用机器学习系统支持决策制定在医疗保健中的问答涉及使用电子医疗记录中的观察性数据中隐含的偏见，进而进一步发展了组公平性标准，以在个体层面上扩展增益计数事实公正标准，探讨扩增的标准是否可以应用于使用观测性电子健康记录数据的病人长住和死亡的公平模型的开发。通过一个假设因果图的变分自动编码器来执行反事实推理，提供了一种在学习生成模型的背景下，在公平维护与预测性能下降之间权衡的方法。

Jul, 2019

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

实现反事实公平性用于异常检测

本文提出了一种基于因果关系的公平异常检测框架 CFAD，它的目标是确保在事实世界和反事实世界中，同一人属于不同组时检测结果相同。实验结果表明 CFAD 能够有效地检测异常并确保因果公平性。

Mar, 2023

反事实公平性

本文提出了一个利用因果推断工具来建立公正性模型的框架，以避免机器学习在保险、贷款、雇佣和预测执法等领域的不公正决策，避免造成基于不公正数据的歧视性做法，以法学院成功的公平预测为实际问题进行了实证研究。

Mar, 2017

全局对抗性解释器用于图神经网络

本研究提出了 GCFExplainer 算法来解释图神经网络的全局可解释性，通过全局反事实推理寻找一组代表性的反事实图形，实验结果表明与现有局部反事实解释器相比，GCFExplainer 算法能够提供更重要的高层次 Model 行为见解，并以 46.9% 的弥补覆盖率和 9.5% 的弥补成本降低取得更好的结果。

Oct, 2022