arXiv cs.AI· Gayane Taturyan, Charlotte Laclau, Stephan Cl\'emencon·· 10 小时前AI 评分24
把公平性视为分布稳定性：一种统一的公平性视角
A Comprehensive View of Fairness through Distributional Stability
AI 导读
研究将公平性定义为预测器在受保护群体构成变化扰动下的分布稳定性，经典公平性概念可视为对特定扰动的稳定性，对应不公平差距由预测率泛函的 Lipschitz 常数给出。该框架无需知道部署分布即可在测试时对多种人口构成提供一致保证，并导出基于重加权预测器凸组合、以二阶锥规划形式求解的学习方法，附有泛化界，在标准基准上进行了实验验证。
正文 · AI 翻译
摘要：我们将公平性视为一种分布稳定性属性。我们并非在固定数据分布下评估预测器，而是研究当扰动改变受保护群体的构成时，其预测会如何变化。若预测器在此类偏移下保持稳定，则它是公平的。在这一视角下，若干经典的公平性概念表现为针对特定扰动的稳定性，相关的不公平性差距由预测率泛函的 Lipschitz 常数给出。该表述还给出了在测试时在一系列人口构成上一致成立的保证，且无需了解部署分布。它引出一个基于重加权预测器凸组合的学习过程，该过程被表述为二阶锥规划，我们为其建立了泛化界。在标准基准上的实验说明了该方法。
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2609.37061 [cs.LG] |
| （或 arXiv:2609.37061v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2609.37061 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Charlotte Laclau [查看电子邮件]
[v1]
2026年9月29日星期二 09:00:49 UTC（361 KB）
[v2]
2026年10月30日星期五 10:42:03 UTC（545 KB）
来源：arXiv cs.AI · arxiv.org