计算机科学>机器学习
标题: 基于神经网络的因果公平引导数据集重加权
摘要: 在机器学习模型中实现公平的重要性怎么强调也不过分。 最近的研究指出,公平应该从因果的角度进行检验,并且已经提出了基于on-Pearl因果框架的几个公平概念。 在本文中,我们构造了一个数据集重加权方案来解决因果公平问题。 我们的方法旨在通过考虑变量之间的因果关系并将其纳入重新加权过程来减轻偏见。 所提出的方法采用了两个神经网络,其结构有意用于反映因果图和介入图的结构。 这两个神经网络可以近似数据的因果模型和干预的因果模型。 此外,在鉴别器的指导下进行重加权,以实现各种公平概念。 在真实数据集上的实验表明,我们的方法可以在保持与下游任务原始数据接近的同时,实现数据的因果公平性。