ترجمه فارسی مقاله کمینه‌سازی منصفانه ریسک تحت محدودیت‌های اثر خاص مسیر علّی

چکیده

This paper introduces a framework for estimating fair optimal predictions using machine learning where the notion of fairness can be quantified using path-specific causal effects. We use a recently developed approach based on Lagrange multipliers for infinite-dimensional functional estimation to derive closed-form solutions for constrained optimization based on mean squared error and cross-entropy risk criteria. The theoretical forms of the solutions are analyzed in detail and described as nuanced adjustments to the unconstrained minimizer. This analysis highlights important trade-offs between risk minimization and achieving fairnes. The theoretical solutions are also used as the basis for construction of flexible semiparametric estimation strategies for these nuisance components. We describe the robustness properties of our estimators in terms of achieving the optimal constrained risk, as well as in terms of controlling the value of the constraint. We study via simulation the impact of using robust estimators of pathway-specific effects to validate our theory. This work advances the discourse on algorithmic fairness by integrating complex causal considerations into model training, thus providing strategies for implementing fair models in real-world applications.

چکیده به فارسی (ترجمه ماشینی)

در این مقاله چارچوبی برای برآورد پیش بینی های بهینه عادلانه با استفاده از یادگیری ماشین ارائه شده است که در آن می توان مفهوم انصاف را با استفاده از اثرات علیت خاص مسیر اندازه گیری کرد.ما از یک رویکرد اخیراً توسعه یافته مبتنی بر تکثیر کننده های Lagrange برای برآورد عملکردی نامتناهی بعدی استفاده می کنیم تا راه حل های فرم بسته برای بهینه سازی محدود بر اساس خطای میانگین مربع و معیارهای خطر آنتروپی را بدست آوریم.اشکال نظری راه حل ها به تفصیل مورد تجزیه و تحلیل قرار می گیرند و به عنوان تنظیمات ظریف در مینیمایزر بدون محدودیت توصیف می شوند.این تجزیه و تحلیل برجسته تجارت مهم بین به حداقل رساندن ریسک و دستیابی به Fairnes است.از راه حل های نظری نیز به عنوان پایه ای برای ساخت استراتژی های تخمین انعطاف پذیر نیم پارامتری برای این مؤلفه های مزاحمت استفاده می شود.ما خصوصیات استحکام برآوردگرهای خود را از نظر دستیابی به ریسک محدود بهینه و همچنین از نظر کنترل ارزش محدودیت توصیف می کنیم.ما از طریق شبیه سازی تأثیر استفاده از برآوردگرهای قوی از اثرات خاص مسیر برای اعتبارسنجی نظریه خود را مطالعه می کنیم.این کار با ادغام ملاحظات علیت پیچیده در آموزش مدل ، گفتمان در مورد انصاف الگوریتمی را پیشرفت می کند ، بنابراین استراتژی هایی را برای اجرای مدل های عادلانه در برنامه های دنیای واقعی فراهم می کند.