Measuring, Interpreting, and Improving Fairness of Algorithms using Causal Inference and Randomized Experiments
利用因果推断与随机实验衡量、解释和改善算法公平性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：摘要明确以因果推断和随机实验衡量算法决策偏差及经济价值，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
利用因果推断与随机实验衡量、解释和改善算法公平性
- 研究问题
- 在无法访问生产模型代码的情况下，如何用可实施的实验衡量算法偏差、解释黑箱决策，并同时评估公平性与经济价值之间的关系？
- 方法与思路
- 作者提出不依赖特定算法的 MIIF 框架，以随机实验衡量差别待遇、差别影响和经济价值，再用可解释机器学习模型提炼黑箱算法的判断。
- 材料陈述的贡献
- 摘要提出整合公平性衡量、黑箱解释和改善的工具框架，强调可借助已有 A/B 测试研究电商与定向广告中的偏差及公平性成本。
- 阅读关注点
- 应核对随机化对象、公平指标对应的因果目标、解释模型对黑箱的保真度，以及发现偏差后如何干预并验证公平性改善与经济成本。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明实验识别条件、改善步骤或验证数值，无法判断实际系统中的效果。
原文摘要
Algorithm fairness has become a central problem for the broad adoption of artificial intelligence. Although the past decade has witnessed an explosion of excellent work studying algorithm biases, achieving fairness in real-world AI production systems has remained a challenging task. Most existing works fail to excel in practical applications since either they have conflicting measurement techniques and/ or heavy assumptions, or require code-access of the production models, whereas real systems demand an easy-to-implement measurement framework and a systematic way to correct the detected sources of bias. In this paper, we leverage recent advances in causal inference and interpretable machine learning to present an algorithm-agnostic framework (MIIF) to Measure, Interpret, and Improve the Fairness of an algorithmic decision. We measure the algorithm bias using randomized experiments, which enables the simultaneous measurement of disparate treatment, disparate impact, and economic value. Furthermore, using modern interpretability techniques, we develop an explainable machine learning model which accurately interprets and distills the beliefs of a blackbox algorithm. Altogether, these techniques create a simple and powerful toolset for studying algorithm fairness, especially for understanding the cost of fairness in practical applications like e-commerce and targeted advertising, where industry A/B testing is already abundant.