Towards counterfactual fairness through auxiliary variables

要約

特に人種、性別、年齢などの敏感な属性が考慮されている場合、機械学習モデルの公平性と予測精度のバランスをとるという課題は、近年実質的な研究を動機付けています。
反事実的な公平性により、予測は、社会的偏見に対処する上で重要な概念である敏感な属性の反事実的な変動を介して一貫性を保つことが保証されます。
ただし、既存の反事実的な公平性アプローチは、通常、デリケートな機能に関する固有の情報を見落とし、パフォーマンスを同時に維持しながら公平性を達成する能力を制限します。
この課題に取り組むために、外因性変数によって動機付けられた新しい因果的推論フレームワークである外因性因果推論（EXOC）を紹介します。
補助変数を活用して、機密属性を生じさせる固有の特性を明らかにします。
私たちのフレームワークは、反事実的な公平性に寄与し、モデル内の情報フローを制御する補助ノードとコントロールノードを明示的に定義します。
合成および実世界のデータセットで実施された私たちの評価は、Exocの優位性を検証し、反事実的な公平性を達成するための最先端のアプローチを上回ることを示しています。
私たちのコードは、https：//github.com/case-lab-umd/counterfactual_fairness_2025で入手できます。

要約(オリジナル)

The challenge of balancing fairness and predictive accuracy in machine learning models, especially when sensitive attributes such as race, gender, or age are considered, has motivated substantial research in recent years. Counterfactual fairness ensures that predictions remain consistent across counterfactual variations of sensitive attributes, which is a crucial concept in addressing societal biases. However, existing counterfactual fairness approaches usually overlook intrinsic information about sensitive features, limiting their ability to achieve fairness while simultaneously maintaining performance. To tackle this challenge, we introduce EXOgenous Causal reasoning (EXOC), a novel causal reasoning framework motivated by exogenous variables. It leverages auxiliary variables to uncover intrinsic properties that give rise to sensitive attributes. Our framework explicitly defines an auxiliary node and a control node that contribute to counterfactual fairness and control the information flow within the model. Our evaluation, conducted on synthetic and real-world datasets, validates EXOC’s superiority, showing that it outperforms state-of-the-art approaches in achieving counterfactual fairness. Our code is available at https://github.com/CASE-Lab-UMD/counterfactual_fairness_2025.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google