Counterfactually Fair Regression with Double Machine Learning
基于双重机器学习的反事实公平回归AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确将反事实公平映射到潜在结果框架，并用双重机器学习处理反事实结果，直接对应因果推断。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
基于双重机器学习的反事实公平回归
- 研究问题
- 如何将回归中的反事实公平问题转化为潜在结果框架下的估计问题，并处理敏感变量对其他变量和结果的影响？
- 方法与思路
- 作者提出 DML Fairness，用机器学习剔除敏感变量对非敏感变量及结果的影响，并在两组变量效应可加分离下讨论公平性。
- 材料陈述的贡献
- 摘要称在可加分离假设下可近似均衡结果并实现个体层面的反事实公平，并通过招聘模拟与法学院成绩数据展示方法。
- 阅读关注点
- 应核对公平目标的数学定义、可加分离假设与反事实识别的关系，以及敏感身份的概念界定如何影响结果解释。
- 阅读边界
- 所给为 arXiv 预印本，不能据此确认同行评审或期刊接收；摘要未说明完整识别条件，也未证明统计公平等同于现实正义。
原文摘要
Counterfactual fairness is an approach to AI fairness that tries to make decisions based on the outcomes that an individual with some kind of sensitive status would have had without this status. This paper proposes Double Machine Learning (DML) Fairness which analogises this problem of counterfactual fairness in regression problems to that of estimating counterfactual outcomes in causal inference under the Potential Outcomes framework. It uses arbitrary machine learning methods to partial out the effect of sensitive variables on nonsensitive variables and outcomes. Assuming that the effects of the two sets of variables are additively separable, outcomes will be approximately equalised and individual-level outcomes will be counterfactually fair. This paper demonstrates the approach in a simulation study pertaining to discrimination in workplace hiring and an application on real data estimating the GPAs of law school students. It then discusses when it is appropriate to apply such a method to problems of real-world discrimination where constructs are conceptually complex and finally, whether DML Fairness can achieve justice in these settings.