Nuovo quadro di equità causale per attributi protetti continui

Un quadro recentemente rilasciato per garantire l'equità nell'apprendimento automatico, disponibile su arXiv con ID 2605.05882v1, affronta i bias nelle previsioni AI associati ad attributi protetti continui come razza, genere ed età. I concetti tradizionali di equità come la Parità Statistica (SP) impongono che le previsioni non siano influenzate da questi attributi, ma questo approccio può essere troppo limitante quando tali attributi influenzano variabili di mediazione essenziali per le aziende. Nuovi approcci causali modificano la SP distinguendo percorsi causali consentiti da quelli non consentiti e integrandola con la Parità Predittiva (PP), che garantisce che il predittore rispecchi l'influenza valida delle necessità aziendali. Il quadro proposto presenta SP e PP attraverso derivate parziali specifiche per percorso, progettate appositamente per attributi protetti continui in modelli causali strutturali, per promuovere sistemi AI equi che considerano relazioni causali complesse.