什么是 反事实公平（Counterfactual Fairness）？
反事实公平（Counterfactual Fairness）是一项因果公平标准，要求对同一个体保持推断出的背景条件不变，仅让受保护属性在反事实世界中取不同值时，预测分布仍然不变。
快速了解
| 规范文档 | 官方规范 |
|---|
工作原理
声明因果模型与允许路径
描述受保护属性、背景因素、观测特征、决策和结果如何生成，并明确直接路径与中介路径属于禁止、允许还是尚未解决。这是规范性和领域判断，不会由公平公式自动发现。Counterfactual Fairness 原始论文使用因果模型中的反事实不变性定义公平。
执行溯因、行动与预测
第一步根据个人观测证据推断潜在背景条件的分布；第二步把受保护属性的结构赋值替换为另一个值；第三步在修改后的模型中重新计算后代与预测。如果背景变量仍有不确定性，应比较预测分布而非只比较点值。跨世界复用推断背景状态，才使比较对象保持为同一个体。
在相信不变性前审计假设
多个因果模型可以同样拟合观测数据，却产生不同反事实。团队应测试替代图结构、函数、潜在混杂、测量模型和允许路径策略，并报告敏感性，而不是给出一个确定数字。同时保留群体结果与流程审计，因为反事实不变的 Predictor 仍可能不准确、不可访问、校准不良，或被嵌入不公平制度。
主要特点
- 比较同一单位在受保护属性干预下的预测
- 需要结构因果模型，而不能只依赖统计关联
- 在配对反事实世界中保持推断出的外生背景条件
- 重新计算因果后代，而不是孤立修改一个表格字段
- 依赖对允许路径与禁止路径的规范性判断
- 观测数据通常无法识别唯一模型，因此需要敏感性分析
常见用途
- 审计风险分数是否依赖受保护属性的因果路径
- 比较同一个体在不同建模社会条件下的预测
- 检验群体比例指标无法判断的代理移除主张
- 复核哪些受保护属性后代可以进入决策
- 记录高影响模型公平主张背后的因果假设
示例
Loading code...常见问题
反事实公平怎样测试？
先声明 SCM，根据观测证据推断个体背景条件，再干预受保护属性、重新计算后代并比较不同世界中的预测分布。由于所需反事实通常不能直接观测，还应在多组可信替代模型下重复分析并报告不确定性。
为什么只修改受保护属性字段是错误做法？
受保护属性可能因果影响多个观测后代。只翻转一个字段，却冻结教育、可及性、测量值或其他后代，可能违反模型方程并构造出不一致的人。因果干预会替换目标机制，再沿声明的后代传播变化。
反事实公平模型能否使用受保护属性的后代？
有时可以，但必须对因果路径做明确的规范性处理。同一个后代可能同时承载允许与禁止的 Effect，观测数据也未必能分离这些路径。把全部后代一律保留或一律删除都不是通用解法。
反事实公平与反事实解释相同吗？
不同。反事实公平比较同一建模个体在受保护属性干预下的预测；反事实解释寻找能够达到目标模型输出的可行输入改动。后者无需声称受保护属性不变性，也不能自动提供因果公平保证。
观测数据能证明反事实公平吗？
通常不能。不同结构函数或潜在混杂假设可能产生同一观测分布，却对反事实给出不同答案。结论需要领域证据、可用实验、模型批判和敏感性分析，并始终以声明的 SCM 为条件。