論文の概要: CausalPre: Scalable and Effective Data Pre-processing for Causal Fairness
- arxiv url: http://arxiv.org/abs/2509.15199v1
- Date: Thu, 18 Sep 2025 17:54:01 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-19 17:26:53.376221
- Title: CausalPre: Scalable and Effective Data Pre-processing for Causal Fairness
- Title（参考訳）: CausalPre: 因果フェアネスのためのスケーラブルで効果的なデータ前処理
- Authors: Ying Zheng, Yangfan Jiang, Kian-Lee Tan,
- Abstract要約: CausalPreはスケーラブルで効果的な因果性誘導型データ前処理フレームワークである。
CausalPreは有効かつスケーラブルであり、因果フェアネスを達成するためには関係のカバレッジをトレードオフする必要があるという従来の信念に挑戦する。
- 参考スコア（独自算出の注目度）: 9.017721212703352
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Causal fairness in databases is crucial to preventing biased and inaccurate outcomes in downstream tasks. While most prior work assumes a known causal model, recent efforts relax this assumption by enforcing additional constraints. However, these approaches often fail to capture broader attribute relationships that are critical to maintaining utility. This raises a fundamental question: Can we harness the benefits of causal reasoning to design efficient and effective fairness solutions without relying on strong assumptions about the underlying causal model? In this paper, we seek to answer this question by introducing CausalPre, a scalable and effective causality-guided data pre-processing framework that guarantees justifiable fairness, a strong causal notion of fairness. CausalPre extracts causally fair relationships by reformulating the originally complex and computationally infeasible extraction task into a tailored distribution estimation problem. To ensure scalability, CausalPre adopts a carefully crafted variant of low-dimensional marginal factorization to approximate the joint distribution, complemented by a heuristic algorithm that efficiently tackles the associated computational challenge. Extensive experiments on benchmark datasets demonstrate that CausalPre is both effective and scalable, challenging the conventional belief that achieving causal fairness requires trading off relationship coverage for relaxed model assumptions.
- Abstract（参考訳）: データベースにおける因果フェアネスは、下流タスクにおけるバイアスや不正確な結果を防ぐために不可欠である。
以前の作業の多くは、既知の因果モデルを想定しているが、最近の取り組みは、追加の制約を課すことで、この仮定を緩和している。
しかしながら、これらのアプローチは、実用性を維持する上で重要な、より広い属性関係を捉えないことが多い。
因果的推論の利点を利用して、根底にある因果的モデルに関する強い仮定に頼ることなく、効率的で効果的な公平なソリューションを設計できますか?
本稿では,スケーラブルで効果的な因果性誘導型データ前処理フレームワークであるCausalPreを導入することで,正当性を保証し,因果性を保証する。
CausalPreは、もともと複雑で計算不能な抽出タスクを調整された分布推定問題に書き換えることで因果的公正な関係を抽出する。
スケーラビリティを確保するために、CausalPreは、低次元の辺縁分解の慎重に構築された変種を採用し、結合分布を近似し、関連する計算課題に効率的に対処するヒューリスティックアルゴリズムで補完する。
ベンチマークデータセットに関する大規模な実験は、CausalPreが効率的かつスケーラブルであることを示し、因果フェアネスを達成するためには、緩和されたモデル仮定に対する関係カバレッジをトレードオフする必要があるという従来の信念に異議を唱えている。
関連論文リスト
- FairPFN: A Tabular Foundation Model for Causal Fairness [39.83807136585407]
因果公正(Causal fairness)は、アルゴリズムの差別を緩和する透明性のある、ループ内の人間的フレームワークを提供する。
本研究では,合成因果フェアネスデータに基づいて事前学習したモデルであるFairPFNを提案し,その予測における保護属性の因果効果の同定と緩和を行う。
論文 参考訳（メタデータ） (2025-06-08T09:15:45Z) - Data Fusion for Partial Identification of Causal Effects [62.56890808004615]
本稿では,研究者が重要な疑問に答えられるような,新しい部分的識別フレームワークを提案する。
因果効果は肯定的か否定的か?
本研究の枠組みをSTARプロジェクトに適用し,第3級の標準試験性能に対する教室規模の影響について検討する。
論文 参考訳（メタデータ） (2025-05-30T07:13:01Z) - Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳（メタデータ） (2023-06-09T08:30:51Z) - Causal Regularization Using Domain Priors [23.31291916031858]
そこで本研究では,因果ドメインをネットワークに組み込む因果正規化手法を提案する。
このアプローチは様々な因果前の仕様に一般化可能であることを示す。
ほとんどのデータセットでは、精度を犠牲にすることなくドメイン優先の一貫性のあるモデルを得ることができる。
論文 参考訳（メタデータ） (2021-11-24T13:38:24Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。