Implementing Causal Perception: Competing SCMs and Situated Fairness
该论文首次实现了 Álvarez 和 Ruggieri (2025) 提出的因果感知框架，将结构性（代理对因果图有分歧）和参数性（代理对因果图一致但对权重有分歧）因果感知操作化，设计了计算干预分布和反事实分布的算法，并提出距离度量来量化分歧。使用 German Credit 数据集，在多专家决策场景中展示了因果感知如何影响准确性和公平性，发现感知判定对距离度量和阈值的选择敏感，且因果感知会改变公平性评估和基于阈值的决策。
发展脉络
- 首次出现Implementing Causal Perception: Competing SCMs and Situated FairnessarXiv cs.AI
- 当前判断因果感知框架的实现为多专家决策系统（如信贷审批）提供了新的公平性评估视角，可能影响 AI 治理和监管实践。但距离度量和阈值的敏感性表明，公平性评估需要标准化，否则不同实现可能得出不同结论。Agent Pulse · 分析
该论文首次实现了 Álvarez 和 Ruggieri (2025) 提出的因果感知框架，将结构性（代理对因果图有分歧）和参数性（代理对因果图一致但对权重有分歧）因果感知操作化，设计了计算干预分布和反事实分布的算法，并提出距离度量来量化分歧。使用 German Credit 数据集，在多专家决策场景中展示了因果感知如何影响准确性和公平性，发现感知判定对距离度量和阈值的选择敏感，且因果感知会改变公平性评估和基于阈值的决策。
该工作将因果感知从理论推向实现，提供了计算干预和反事实分布的算法，并引入距离度量量化分歧。这为多代理系统中公平性评估提供了可操作的工具，但感知判定对距离度量和阈值敏感，意味着结果可能不稳定，需要谨慎选择评估指标。
因果感知框架的实现为多专家决策系统（如信贷审批）提供了新的公平性评估视角，可能影响 AI 治理和监管实践。但距离度量和阈值的敏感性表明，公平性评估需要标准化，否则不同实现可能得出不同结论。
对于使用多专家决策系统的企业（如金融信贷），该框架提供了一种量化公平性分歧的方法，有助于识别和缓解模型偏见，但需注意评估指标的敏感性，避免误导性结论。
未来可能看到因果感知框架在更多实际决策场景中的应用，以及针对距离度量和阈值选择的标准制定。也可能出现更高效的算法来处理大规模系统。