📊 statistics

Counterfactually Fair Regression via Optimal Transport

Dieser Beitrag schlägt einen Nachbearbeitungsschätzer für kontrafaktisch faire Regression vor, der auf einer kausalen Unsicherheitsperspektive und optimaler Transporttheorie basiert, eine geschlossene Lösung mittels baryzentrischer Quantilskarten bereitstellt und endliche Stichproben-Gerechtigkeit sowie Risikogarantie mit einer Konvergenzrate von $\tilde O(n^{-1/3})$ nachweist.

Ursprüngliche Autoren: M. Generali Lince, S. Gaucher, J-J. Vie, P. Loiseau

Veröffentlicht 2026-05-28

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: M. Generali Lince, S. Gaucher, J-J. Vie, P. Loiseau

Originalarbeit lizenziert unter CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Stellen Sie sich vor, Sie sind Schulleiter und versuchen, Endnoten für Schüler basierend auf ihren Prüfungsergebnissen und Hausaufgaben zu vergeben. Sie wollen fair sein, aber auch präzise.

Das Problem ist, dass Schüler aus unterschiedlichen Hintergründen stammen (sagen wir, Gruppe A und Gruppe B). Historisch gesehen hatte Gruppe B möglicherweise weniger Ressourcen, sodass ihre rohen Noten niedriger aussehen, selbst wenn ihr tatsächliches Talent dem von Gruppe A entspricht. Wenn Sie sie einfach nach den rohen Zahlen benoten, könnten Sie Gruppe B unbeabsichtigt für Dinge bestrafen, die außerhalb ihrer Kontrolle liegen.

Dieser Artikel schlägt eine neue Methode vor, um die Noten nachträglich zu korrigieren, nachdem ein Lehrer sie bereits berechnet hat, ohne dass der Unterricht neu gestaltet oder die ursprünglichen Methoden des Lehrers geändert werden müssen.

Hier ist die Aufschlüsselung ihrer Idee unter Verwendung einfacher Analogien:

1. Das Kernproblem: „Das verborgene Talent" vs. „Das verrauschte Signal"

Die Autoren stellen sich vor, dass jeder Schüler ein verborgenes „Talentniveau" hat (nennen wir es V). Dies ist ihre wahre Fähigkeit.

Der Haken: Wir können V nicht direkt sehen. Wir sehen nur ihre Hausaufgaben- und Testergebnisse (X).
Das Rauschen: Manchmal erhält ein Schüler eine schlechte Note nicht, weil ihm das Talent fehlt, sondern wegen „Rauschens" – vielleicht war er krank, gestresst oder hatte einen ablenkenden Nachbarn. Dieses Rauschen ist zufällig und unfair.

Traditionelle Fairnessmethoden versuchen oft, Gruppe A und Gruppe B dazu zu zwingen, exakt denselben Durchschnitt an Noten zu haben. Die Autoren sagen, dies sei wie das Erzwingen, dass zwei Läufer mit unterschiedlichen Startlinien gleichzeitig ins Ziel kommen, indem man den schnelleren einfach verlangsamt. Das ist unfair für den schnellen Läufer und behebt nicht die Ursache.

Stattdessen wollen sie Gegenfaktische Fairness.

Die Frage: „Wenn dieser Schüler aus Gruppe B exakt dasselbe Talentniveau wie ein Schüler aus Gruppe A hätte, aber wir ihren Hintergrund austauschen würden, erhielte er dann dieselbe Note?"
Das Ziel: Wenn zwei Schüler dasselbe verborgene Talent haben, sollten sie dieselbe Note erhalten, unabhängig davon, welcher Gruppe sie angehören.

2. Die Lösung: Der „Fairness-Übersetzer" (Nachbearbeitung)

Die meisten Fairnessmethoden erfordern, dass Sie zum Zeichenbrett zurückkehren, das gesamte KI-Modell neu trainieren und auf das Beste hoffen. Dieser Artikel sagt: „Nicht nötig."

Sie haben einen Nachprozessor entwickelt. Stellen Sie sich dies als einen „Fairness-Übersetzer" vor, der zwischen den ursprünglichen Noten des Lehrers und dem endgültigen Zeugnis sitzt.

Schritt 1: Der Lehrer vergibt eine rohe Note.
Schritt 2: Der Übersetzer betrachtet das verborgene „Talentniveau" des Schülers (wovon der Artikel annimmt, dass wir es aus deren Daten schätzen können).
Schritt 3: Der Übersetzer sagt: „Okay, dieser Schüler gehört zur Top-10-Prozentgruppe seines Talentbereichs. Schauen wir uns die Top-10-Prozent aller Talentbereiche an. Was ist dort der Durchschnitt? Geben wir diesem Schüler diese Note."

Im Wesentlichen kalibriert es die Noten neu, sodass innerhalb jedes Talentniveaus die Verteilung der Noten für jede Gruppe identisch aussieht.

3. Der „Eimer"-Trick (Diskretisierung)

Die Autoren erkannten, dass Talent ein kontinuierliches Spektrum ist (wie ein Lineal mit unendlich vielen Markierungen), das mit begrenzten Daten schwer perfekt zu berechnen ist.

Also erfanden sie einen cleveren Trick: Die Eimer-Methode.

Sie teilen das Talent-Spektrum in Eimer (Intervalle) auf.
Innerhalb jedes Eimers nehmen sie alle Schüler aus Gruppe A und Gruppe B.
Sie verwenden ein mathematisches Werkzeug namens Optimaler Transport (stellen Sie es sich als einen „intelligenten Verschieber" vor), um die Noten von Gruppe A und Gruppe B so lange zu verschieben, bis sie innerhalb dieses Eimers perfekt übereinanderliegen.
Sie tun dies für jeden Eimer.

Warum Eimer? Es ist wie der Versuch, zwei Haufen Sand zu matchen. Wenn Sie versuchen, jedes einzelne Korn zu matchen, ist es unmöglich. Aber wenn Sie sie schaufelweise (eimerweise) matchen, wird es einfach und präzise. Der Artikel beweist, dass Sie bei der richtigen Anzahl an Eimern das perfekte Gleichgewicht zwischen Genauigkeit und Fairness erreichen.

4. Die „Geschwindigkeitsbegrenzung" der Fairness

Der Artikel macht eine überraschende Entdeckung: Fairness hat eine Geschwindigkeitsbegrenzung.

Sie bewiesen mathematisch, dass es egal ist, wie intelligent Ihr Algorithmus ist: Wenn Sie perfekt fair sein wollen, können Sie nicht schneller lernen als eine bestimmte Geschwindigkeit (genauer gesagt, sinkt der Fehler mit einer Rate von $n^{-1/3}$ ).

Analogie: Stellen Sie sich vor, Sie versuchen, einen Eimer mit einem undichten Schlauch zu füllen. Egal wie sehr Sie den Hahn aufdrehen, der Wasserstand steigt langsam an, wegen des Lecks. Das „Leck" ist hier die Schwierigkeit, verborgenes Talent aus verrauschten Daten zu schätzen.
Die gute Nachricht: Sie bewiesen auch, dass ihr „Eimer-Übersetzer" diese Geschwindigkeitsbegrenzung erreicht. Es ist so schnell wie mathematisch möglich. Sie können nichts Besseres als ihre Methode tun.

5. Der „entspannte" Modus (Der Dimmer)

Manchmal macht eine 100%ige Fairness die Noten zu ungenau (z. B. wenn die Daten sehr chaotisch sind).
Die Autoren fügten einen Dimmer hinzu (genannt $\alpha$ ).

Volle Helligkeit (Fairness): Die Noten sind perfekt fair, aber vielleicht etwas weniger genau.
Volle Dunkelheit (Genauigkeit): Die Noten sind die ursprünglichen, rohen Noten des Lehrers (sehr genau, aber vielleicht unfair).
Dazwischen: Sie können den Schieberegler verschieben, um zu sagen: „Ich möchte 80 % der Fairness bei 95 % der Genauigkeit." Der Artikel gibt Ihnen eine Formel, um diesen Schalter exakt einzustellen, damit Sie die Fairnessregeln nicht versehentlich verletzen.

Zusammenfassung der Behauptungen

Was sie taten: Sie schufen ein Werkzeug, das unfaire KI-Vorhersagen nachträglich korrigiert, ohne die KI neu zu trainieren.
Wie es funktioniert: Es gruppiert Menschen nach ihrem verborgenen „Talent" und zwingt die Noten dazu, für alle mit demselben Talent gleich auszusehen, unter Verwendung eines „Eimer"-Systems.
Die Garantie: Sie bewiesen mathematisch, dass ihre Methode der schnellstmögliche Weg ist, diese Fairness zu erreichen.
Der Kompromiss: Sie können die gewünschte Fairness hoch- oder runterregeln, und der Artikel sagt Ihnen genau, wie viel Genauigkeit Sie im Gegenzug verlieren werden.

Sie testeten dies auf künstlichen Daten und echten Daten (Zulassung zum Jurastudium) und zeigten, dass ihre Methode deutlich besser ist als frühere Methoden, wenn es darum geht, die Noten genau zu halten und gleichzeitig fair zu sein.

Technische Zusammenfassung: Kontrafaktisch faire Regression durch Optimalen Transport

Problemstellung

Der Artikel adressiert die Herausforderung, einen kontrafaktisch fairen Regressor in hochriskanten Domänen (z. B. Zulassung von Studierenden) zu erlernen, in denen Vorhersagen invariant gegenüber Interventionen auf sensible Attribute (z. B. Geschlecht, ethnische Herkunft) sein müssen. Im Gegensatz zu herkömmlichen Fairness-Begriffen wie der Demografischen Parität (DP), die lediglich eine marginale Verteilungsgleichheit über Gruppen hinweg erfordern, verlangt Kontrafaktische Fairness (CF), dass Vorhersagen unverändert bleiben, falls das sensible Attribut geändert würde, während die latente „Fähigkeit" des Individuums konstant gehalten wird.

Eine wesentliche Hürde für den Einsatz von CF ist die Anforderung vollständiger Strukturkausalmodelle (SCMs), die in der Praxis selten verfügbar sind. Die Autoren übernehmen eine Perspektive der „kausalen Unsicherheit" (speziell das Level-2-Setting von Kusner et al.), bei der der vollständige kausale Graph unbekannt ist, aber eine messbare Proxy-Variable für die latente Fähigkeitsvariable $V$ (bezeichnet als $\psi(X, S)$ ) zugänglich ist. Das Ziel besteht darin, einen Nachbearbeitungsschätzer zu konstruieren, der einen vortrainierten „Black-Box"-Prädiktor ohne erneutes Training neu kalibriert und dabei rigorose statistische Garantien für endliche Stichproben liefert.

Methodik

1. Theoretische Reduktion: CF zu bedingter DP

Der zentrale theoretische Erkenntnisgewinn besteht darin, dass unter dem Setting der kausalen Unsicherheit mit neu abgetastetem Rauschen Kontrafaktische Fairness äquivalent zur Demografischen Parität, bedingt auf die latente Variable $V$ , ist.

Definition: Ein Prädiktor ist CF, wenn für jede feste latente Fähigkeit $v$ die Verteilung der Vorhersagen über alle sensiblen Gruppen $s$ hinweg identisch ist.
Implikation: Dies reduziert das komplexe kontrafaktische Problem auf ein bedingtes Problem des optimalen Transports. Die Autoren zeigen, dass der optimale faire Prädiktor das Risiko unter der Nebenbedingung minimiert, dass die bedingten Vorhersageverteilungen $\mu_{f|v,s}$ für alle $s$ übereinstimmen.

2. Geschlossene Lösung durch Optimalen Transport

Mittels der Theorie des Optimalen Transports (OT) leiten die Autoren einen geschlossenen Ausdruck für den optimalen fairen Regressor $f^*_0$ her.

Baryzentrische Quantilabbildung: Der optimale Prädiktor bildet die ursprüngliche Vorhersage $f^*(x, s)$ auf einen Wasserstein-2-Baryzentrum der gruppenbedingten Verteilungen ab.
Formel:
$f^*_0(x, s) = \left( \sum_{s'=1}^K w_{s'} F^{-1}_{f^*|v, s'} \right) \circ F_{f^*|v, s}(f^*(x, s))$
wobei $v = \psi(x, s)$ , $w_s$ Gruppen gewichte sind und $F^{-1}$ die Quantilfunktion bezeichnet. Diese Operation richtet die Vorhersageverteilungen verschiedener Gruppen innerhalb desselben latenten Fähigkeitsniveaus effektiv aus.

3. Diskretisierter Nachbearbeitungsschätzer

Da $V$ kontinuierlich ist, schlagen die Autoren einen praktischen diskretisierten Nachbearbeitungsalgorithmus vor:

Diskretisierung: Der latente Raum $V$ wird in $L$ Intervalle partitioniert.
Lokale Schätzung: Innerhalb jedes Intervalls werden die bedingten kumulativen Verteilungsfunktionen (CDFs) und Quantilfunktionen aus den Daten geschätzt.
Plug-in-Schätzer: Die geschlossene baryzentrische Abbildung wird innerhalb jedes Intervalls unter Verwendung empirischer Schätzungen lokal angewendet.
Stichprobenaufteilung: Um statistische Unabhängigkeit zwischen der Schätzung der CDFs und der Anwendung der Transportabbildung sicherzustellen, werden die Daten aufgeteilt (Folding).

4. Gelockerte Kontrafaktische Fairness

In Anerkennung dessen, dass exakte Fairness möglicherweise nicht erreichbar oder unerwünscht ist, erweitern die Autoren das Framework auf gelockerte CF.

Zielkonflikt: Die Autoren definieren ein gelockertes Problem, bei dem die Unfairness durch ein Budget $\alpha U(f^*)$ begrenzt ist.
Konvexe Kombination: Der optimale gelockerte Prädiktor erweist sich als konvexe Kombination des ursprünglichen Black-Box-Prädiktors und des optimalen fairen Prädiktors:
$f^*_\alpha = \sqrt{\alpha} f^* + (1-\sqrt{\alpha}) f^*_0$
Abstimmung: Es wird eine explizite Regel bereitgestellt, um $\alpha$ so zu wählen, dass ein vorgegebenes Unfairness-Budget unter Berücksichtigung des Schätzfehlers eingehalten wird.

Hauptbeiträge

CF-Reduktion: Der Artikel stellt fest, dass unter kausaler Unsicherheit und Awareness Kontrafaktische Fairness äquivalent zur Demografischen Parität, bedingt auf die latente Fähigkeit $V$ , ist. Dies verbindet CF mit bestehenden DP-Methodologien.
Geschlossener optimaler Regressor: Es wird die exakte Form des optimalen fairen Prädiktors mittels einer baryzentrischen Quantilkonstruktion hergeleitet, was eine konstruktive Lösung anstelle eines abstrakten Existenzbeweises liefert.
Garantien für endliche Stichproben: Die Autoren schlagen eine modellagnostische Nachbearbeitungsmethode vor und beweisen hochwahrscheinliche Garantien für endliche Stichproben.
- Sowohl die Unfairness als auch das überschüssige Risiko fallen mit einer Rate von $\tilde{O}(n^{-1/3})$ .
- Sie etablieren eine passende untere Schranke und beweisen, dass diese Rate fundamental für das Problem der Schätzung fairer Regressoren unter diesen Bedingungen ist und nicht lediglich ein Artefakt der Diskretisierung.
Gelockerte Fairness mit Abstimmung: Die Arbeit erstreckt sich auf gelockerte CF und liefert explizite Abstimmungsregeln, um den Zielkonflikt zwischen Risiko und Unfairness zu navigieren.

Ergebnisse

Synthetische Daten

Validierung der Theorie: Experimente bestätigen, dass die Unfairness mit steigendem Diskretisierungsgrad $L$ abnimmt und sich in der Nähe des theoretisch optimalen $L^*$ stabilisiert.
Zielkonflikt: Die Methode dominiert die Baselines auf der CF-Frontier. Während strikte kausale Methoden (Fair K) perfekte Fairness erreichen, indem sie beobachtbare Merkmale verwerfen (was zu hohen Fehlern führt), und globale DP-Methoden (WFR) niedrige Fehler erreichen, aber CF versagen, erzielt die vorgeschlagene Methode nahezu perfekte CF mit deutlich niedrigeren Fehlern als Fair K.

Reale Daten (Law School Dataset)

Leistung: Auf den LSAC-Datensatz angewendet (Vorhersage der Noten im ersten Jahr), überbrückt die Methode die Lücke zwischen Genauigkeit und Fairness.
- Im Vergleich zu Fair K (kausale Baseline) behält die vorgeschlagene Methode eine ähnliche Genauigkeit bei (RMSE $\approx$ 1,054 vs. 1,086), während sie die bedingte Unfairness um eine Größenordnung reduziert.
- Im Vergleich zu WFR (globale DP-Baseline) erzielt sie eine signifikant niedrigere bedingte Unfairness (0,009 vs. 0,088) bei vergleichbarer Genauigkeit.
Robustheit gegenüber Proxy-Schätzung: Der Artikel bewertet den Einfluss der Schätzung des latenten Proxies $V$ mittels Strukturkausalmodelle (SCM) versus Variational Autoencoder (VAE). Es wird hervorgehoben, dass „Proxy-Leckage" (wobei $V$ Informationen über $S$ behält) die Fairness verschlechtert, die Methode jedoch robust bleibt, wenn ein „Fair VAE" verwendet wird, der $V$ explizit von $S$ entwirrt.

Bedeutung und Behauptungen

Der Artikel behauptet, das erste modellagnostische Nachbearbeitungsframework für kontrafaktische Fairness zu liefern, das rigorose statistische Garantien für endliche Stichproben bietet, ohne ein erneutes Training oder Zugriff auf den vollständigen kausalen Graphen zu erfordern.

Theoretische Tiefe: Indem sie beweisen, dass die Konvergenzrate $n^{-1/3}$ eine fundamentale untere Schranke ist (via Assouad's Lemma), argumentieren die Autoren, dass die langsame Konvergenz der intrinsische „Preis der Fairness" in nicht-parametrischen Settings ist und keine Einschränkung ihres spezifischen Algorithmus.
Praktische Nutzbarkeit: Der Ansatz ist für Szenarien konzipiert, in denen Modelle proprietär oder von Drittanbietern stammen oder in denen Trainingsdaten nicht verfügbar sind, was ihn für den realen Einsatz hochgradig anwendbar macht.
Nuancierte Fairness: Die Arbeit geht über die Debatte hinaus, ob globale DP für CF ausreichend ist, indem sie zeigt, dass bedingte DP (auf der latenten Variable) die korrekte strukturelle Reduktion ist und eine neue Perspektive auf die Beziehung zwischen diesen Fairness-Begriffen bietet.

Die Autoren schließen, dass ihre Methode den Zielkonflikt zwischen prädiktiver Nützlichkeit und kontrafaktischer Fairness erfolgreich ausbalanciert und einen kalibrierten Ansatz bietet, um spezifische Fairness-Budgets unter Beibehaltung der statistischen Validität zu erfüllen.