Calibrated Counterfactual Conformal Fairness ($C^3F$): Post-hoc, Shift-Aware Coverage Parity via Conformal Prediction and Counterfactual Regularization
校准反事实共形公平性：分布偏移下的覆盖率平等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：摘要以结构因果模型中的路径特定效应构建反事实正则项，提供因果方法方向的直接文本依据。
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
校准反事实共形公平性：分布偏移下的覆盖率平等
- 研究问题
- 当协变量分布发生偏移时，如何在不重新训练预测模型的情况下改善群体条件覆盖率，并约束反事实覆盖差异？
- 方法与思路
- 作者结合重要性加权共形校准与结构因果模型中的路径特定效应正则化，以加权分位数和光滑阈值实施事后调整。
- 材料陈述的贡献
- 摘要称推导群体覆盖率的有限样本下界及覆盖差距界，并给出反事实代理目标的一阶控制，分类实验展示覆盖改善。
- 阅读关注点
- 核对分布偏移和权重估计条件、群体覆盖界的概率含义，以及路径特定效应识别与因果模型误设如何影响公平目标。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或期刊接收；摘要未完整说明保证条件，代理目标也不能直接等同实际公平。
原文摘要
We present Calibrated Counterfactual Conformal Fairness ($C^3F$), a post-hoc procedure that targets group-conditional coverage parity under covariate shift. $C^3F$ combines importance-weighted conformal calibration with a counterfactual regularizer based on path-specific effects in a structural causal model. The method estimates group-specific nonconformity quantiles using likelihood-ratio weights so that coverage degrades gracefully with the second moment of the weights. We derive finite-sample lower bounds on group-wise coverage and a bound on the equalized conditional coverage gap, and we show first-order control of a counterfactual coverage-parity surrogate via smooth threshold regularization. The approach is model-agnostic, label-efficient, and deployable without retraining. Empirical evaluations on standard classification benchmarks demonstrate improved group-conditional coverage and competitive efficiency relative to shift-aware and fairness-oriented conformal baselines. We discuss practical considerations, including partial availability of sensitive attributes and robustness to structural causal misspecification.