Jul, 2024
因果路径与亚组差异分析实践指南
Practical Guide for Causal Pathways and Sub-group Disparity Analysis
TL;DR本研究介绍了因果差异分析在揭示敏感属性与目标结果之间的复杂关系和因果路径方面的应用。我们的方法包括使用因果分解分析来量化和研究敏感属性与结果之间的因果相互作用。我们还强调在因果差异分析中整合异质性评估的重要性，以深入了解特定子群体中敏感属性对结果的影响。我们的两步调查集中在种族充当敏感属性的数据集上。两个数据集的结果表明，借助因果分析和异质性评估不仅可以量化数据中的偏差，还可以解脱其对结果的影响。我们证明，我们方法确定的受到差异影响最大的子群体是具有最大机器学习分类错误的子群体。我们还表明，仅仅基于敏感属性对数据进行分组是不够的，通过这些分析，我们可以找到直接受到差异影响的子群体。我们希望我们的发现能够鼓励在未来的道德人工智能实践和偏差审计中采纳这样的方法，促进更加公正和公平的技术环境。