On the Need and Applicability of Causality for Fair Machine Learning

要約

疫学、政治科学、社会科学における一般的な使用例に加えて、因果関係は、法的意味と日常的な意味の両方で、自動化された意思決定の公平性を評価する際に重要であることが判明しています。
公平性の評価において因果関係が特に重要である理由について、議論と例を示します。
特に、因果関係のない予測の社会的影響と、因果関係の主張に依存する法的な反差別プロセスを指摘します。
最後に、実際のシナリオに因果関係を適用する際の課題と限界、および考えられる解決策について説明します。

要約(オリジナル)

Besides its common use cases in epidemiology, political, and social sciences, causality turns out to be crucial in evaluating the fairness of automated decisions, both in a legal and everyday sense. We provide arguments and examples, of why causality is particularly important for fairness evaluation. In particular, we point out the social impact of non-causal predictions and the legal anti-discrimination process that relies on causal claims. We conclude with a discussion about the challenges and limitations of applying causality in practical scenarios as well as possible solutions.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google