Resumo Técnico: Regressão Contrafactualmente Justa via Transporte Ótimo

Declaração do Problema

O artigo aborda o desafio de aprender um regressor contrafactualmente justo em domínios de alto risco (por exemplo, admissão de estudantes), onde as previsões devem ser invariantes a intervenções em atributos sensíveis (por exemplo, gênero, raça). Diferentemente de noções padrão de justiça como Paridade Demográfica (PD), que exigem apenas igualdade distribucional marginal entre grupos, a Justiça Contrafactual (JC) exige que as previsões permaneçam inalteradas se o atributo sensível fosse alterado, mantendo constante a "habilidade" latente do indivíduo.

Uma barreira significativa para a implementação da JC é a exigência de Modelos Causais Estruturais (MCEs) completos, que raramente estão disponíveis na prática. Os autores adotam uma perspectiva de "incerteza causal" (especificamente o cenário de Nível-2 de Kusner et al.), onde o grafo causal completo é desconhecido, mas um proxy mensurável para a variável de habilidade latente $V$ (denotado como $\psi(X, S)$) é acessível. O objetivo é construir um estimador de pós-processamento que recalibre um preditor pré-treinado de "caixa preta" sem retreinamento, fornecendo garantias estatísticas rigorosas para amostras finitas.

Metodologia

1. Redução Teórica: de JC para PD Condicional

A principal percepção teórica é que, no cenário de incerteza causal com ruído reamostrado, a Justiça Contrafactual é equivalente à Paridade Demográfica condicional à variável latente $V$.

• Definição: Um preditor é JC se, para qualquer habilidade latente fixa $v$, a distribuição das previsões for idêntica entre todos os grupos sensíveis $s$.
• Implicação: Isso reduz o problema contrafactual complexo para um problema de transporte ótimo condicional. Os autores mostram que o preditor justo ótimo minimiza o risco sujeito à restrição de que as distribuições condicionais de previsão $\mu_{f|v,s}$ coincidam para todos os $s$.

2. Solução de Forma Fechada via Transporte Ótimo

Utilizando a teoria do Transporte Ótimo (TO), os autores derivam uma expressão de forma fechada para o regressor justo ótimo $f^*_0$.

• Mapeamento Barycêntrico de Quantis: O preditor ótimo mapeia a previsão original $f^*(x, s)$ para um barycentro Wasserstein-2 das distribuições condicionais aos grupos.
• Fórmula:
  $$f^*_0(x, s) = \left( \sum_{s'=1}^K w_{s'} F^{-1}_{f^*|v, s'} \right) \circ F_{f^*|v, s}(f^*(x, s))$$
  onde $v = \psi(x, s)$, $w_s$ são pesos dos grupos e $F^{-1}$ denota a função quantil. Esta operação alinha efetivamente as distribuições de previsão de diferentes grupos dentro do mesmo nível de habilidade latente.

3. Estimador de Pós-Processamento Discretizado

Como $V$ é contínuo, os autores propõem um algoritmo de pós-processamento discretizado prático:

• Discretização: O espaço latente $V$ é particionado em $L$ intervalos.
• Estimação Local: Dentro de cada intervalo, as funções de distribuição acumulada (CDFs) e as funções quantis condicionais são estimadas a partir dos dados.
• Estimador Plug-in: O mapa barycêntrico de forma fechada é aplicado localmente dentro de cada intervalo usando estimativas empíricas.
• Divisão de Amostra: Para garantir independência estatística entre a estimação das CDFs e a aplicação do mapa de transporte, os dados são divididos (dobrado).

4. Justiça Contrafactual Relaxada

Reconhecendo que a justiça exata pode ser inatingível ou indesejável, o artigo estende o quadro para JC relaxada.

• Compromisso: Os autores definem um problema relaxado onde a injustiça é limitada por um orçamento $\alpha U(f^*)$.
• Combinação Convexa: O preditor ótimo relaxado é mostrado como uma combinação convexa do preditor original de caixa preta e do preditor justo ótimo:
  $$f^*_\alpha = \sqrt{\alpha} f^* + (1-\sqrt{\alpha}) f^*_0$$
• Ajuste: Uma regra explícita é fornecida para selecionar $\alpha$ a fim de atender a um orçamento de injustiça prescrito, levando em conta o erro de estimação.

Contribuições Principais

1. Redução de JC: O artigo estabelece que, sob incerteza causal e consciência, a Justiça Contrafactual é equivalente à Paridade Demográfica condicional à habilidade latente $V$. Isso conecta a JC às metodologias existentes de PD.
2. Regressor Ótimo de Forma Fechada: Deriva a forma exata do preditor justo ótimo usando uma construção barycêntrica de quantis, fornecendo uma solução construtiva em vez de uma prova de existência abstrata.
3. Garantias para Amostras Finitas: Os autores propõem um método de pós-processamento agnóstico ao modelo e provam garantias estatísticas rigorosas para amostras finitas com alta probabilidade.
   • Tanto a injustiça quanto o risco excessivo decaem a uma taxa de $\tilde{O}(n^{-1/3})$.
   • Eles estabelecem um limite inferior correspondente, provando que esta taxa é fundamental para o problema de estimar regressores justos sob essas condições, e não meramente um artefato da discretização.
4. Justiça Relaxada com Ajuste: O trabalho estende-se à JC relaxada, fornecendo regras explícitas de ajuste para navegar no compromisso risco-injustiça.

Resultados

Dados Sintéticos

• Validação da Teoria: Experimentos confirmam que a injustiça diminui à medida que o nível de discretização $L$ aumenta, estabilizando-se perto do $L^*$ teoricamente ótimo.
• Compromisso: O método domina as linhas de base na fronteira de JC. Enquanto métodos causais estritos (Fair K) alcançam justiça perfeita descartando características observáveis (levando a alto erro), e métodos de PD globais (WFR) alcançam baixo erro mas falham em JC, o método proposto alcança JC quase perfeita com erro significativamente menor que o Fair K.

Dados do Mundo Real (Conjunto de Dados de Escola de Direito)

• Desempenho: Aplicado ao conjunto de dados LSAC (prevendo notas do primeiro ano), o método preenche a lacuna entre precisão e justiça.
  • Comparado ao Fair K (linha de base causal), o método proposto mantém precisão similar (RMSE $\approx$ 1,054 vs 1,086) enquanto reduz a injustiça condicional em uma ordem de magnitude.
  • Comparado ao WFR (linha de base de PD global), alcança injustiça condicional significativamente menor (0,009 vs 0,088) com precisão comparável.
• Robustez à Estimação de Proxy: O artigo avalia o impacto de estimar o proxy latente $V$ usando Modelos Causais Estruturais (MCE) versus Autoencoders Variacionais (VAE). Destaca que o "vazamento de proxy" (onde $V$ retém informações sobre $S$) degrada a justiça, mas o método permanece robusto ao usar um "Fair VAE" que explicitamente desentrelaça $V$ de $S$.

Significado e Alegações

O artigo alega fornecer o primeiro quadro de pós-processamento agnóstico ao modelo para justiça contrafactual que oferece garantias estatísticas rigorosas para amostras finitas sem exigir retreinamento ou acesso ao grafo causal completo.

• Profundidade Teórica: Ao provar que a taxa de convergência $n^{-1/3}$ é um limite inferior fundamental (via Lema de Assouad), os autores argumentam que a convergência lenta é o "preço da justiça" intrínseco em cenários não paramétricos, e não uma limitação de seu algoritmo específico.
• Utilidade Prática: A abordagem é projetada para cenários onde os modelos são proprietários ou de terceiros, ou onde os dados de treinamento não estão disponíveis, tornando-a altamente aplicável à implantação no mundo real.
• Justiça Nuanceada: O trabalho vai além do debate sobre se a PD global é suficiente para JC, mostrando que a PD condicional (sobre a variável latente) é a redução estrutural correta, oferecendo uma nova perspectiva sobre a relação entre essas noções de justiça.

Os autores concluem que seu método equilibra com sucesso o compromisso entre utilidade preditiva e justiça contrafactual, oferecendo uma abordagem calibrada para atender a orçamentos específicos de justiça enquanto mantém a validade estatística.