Core Concepts
部分的に知られている因果グラフに基づく介入的公平性の枠組みを提案し、公平性と精度のバランスを取るための制約最適化問題を提示する。
Abstract
この論文は、部分的に知られている因果グラフに基づく介入的公平性の枠組みを提案しています。真の因果グラフが完全にわかっていない場合の限界を克服するため、観測変数全体の効果として公正な予測をモデリングすることで、既存の方法の制限に対処しています。識別条件の分析や制約最適化問題の定式化を通じて、この枠組みはデータ有用性を最大化しながら介入的公平性を実現する原則的なアプローチを提供します。シミュレートおよび実世界データセットでの実験結果は、この枠組みの効果を示しています。
Stats
CPDAGから真のDAGが得られます。
背景知識からMPDAG Gが得られます。
1000個の介入データポイントX_A←aが生成されます。
Quotes
"Fair machine learning aims to prevent discrimination against individuals or sub-populations based on sensitive attributes such as gender and race."
"The proposed approach involves modeling fair prediction using a Partially Directed Acyclic Graph (PDAG)."
"Results on both simulated and real-world datasets demonstrate the effectiveness of this method."