论文题目：Intervention-Driven Correlation Reduction: A Data Generation Approach for Achieving Counterfactually Fair Predictors

作者：周德华（暨南大学）、吴博维（暨南大学）、王岢（暨南大学）、杨奇奋（暨南大学）、邓玉辉（暨南大学）、姚兆明（香港大学）

通讯作者：王岢

摘要：实现反事实公平性是推进机器学习公平性研究的关键目标。研究表明，机器学习模型常常继承训练数据中的偏见，导致不公平的决策。公平数据生成方法旨在缓解这些偏见，确保基于此类数据训练的预测器能保持公平性。然而在反事实公平性背景下，现有的公平数据生成方法存在适用性受限、会导致下游预测器产生显著性能损失等问题。为解决这些问题，本文提出了一种新的反事实公平数据生成算法，使得基于生成数据训练的预测器能够遵循反事实公平性。我们提出了新的评估指标——干预驱动的相关性（IDC），通过施加随机干预于样本并测量干预程度与目标结果之间的统计相关性来评估生成模型的公平性。该指标可同时适用于离散型和连续型敏感属性与标签。进一步的研究揭示了一个关键发现：反事实公平数据在实际部署时并不能始终保证反事实公平预测器。我们通过公式化分析定位了问题的根源，并提出IDC-Reduction方法作为解决方案。该方法通过生成反事实公平数据来确保下游预测器的公平性，在实验中表现优于现有方法，且不受下游预测器类型的限制。