arXiv cs.AI· Ji\v{r}\'i N\v{e}me\v{c}ek, Mark Kozdoba, Illia Kryvoviaz, Tom\'a\v{s} Pevn\'y, Jakub Mare\v{c}ek·· 10 天前AI 评分22
基于混合整数优化的交叉群体公平性
Intersectional Fairness via Mixed-Integer Optimization
AI 导读
研究提出一个统一框架，利用混合整数优化（MIO）训练交叉群体公平且内在可解释的分类器。作者证明了 MSD 与 SPSF 两种交叉公平性度量在检测最不公平子群体上的等价性，并实证表明该 MIO 算法在发现偏差方面表现更优。所训练的分类器可将交叉偏差限制在可接受阈值以下，面向受监管行业等场景。
正文 · AI 翻译
摘要：在金融和医疗等高风险领域部署人工智能，需要既公平又透明的模型。尽管包括欧盟《人工智能法案》在内的监管框架强制要求减轻偏见，但它们对偏见的定义却刻意含糊其辞。与现有研究一致，我们认为真正的公平需要解决受保护群体交叉处的偏见。我们提出了一个统一框架，利用混合整数优化（MIO）来训练交叉公平且内在可解释的分类器。我们证明了两种交叉公平度量（MSD 和 SPSF）在检测最不公平子群体方面的等价性，并实证表明我们基于 MIO 的算法在发现偏见方面提升了性能。我们训练出高性能、可解释的分类器，将交叉偏见限制在可接受的阈值以下，为受监管行业及其他领域提供了稳健的解决方案。
| 评论： | 17 页，10 幅图，1 张表 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI）；优化与控制（math.OC）；机器学习（stat.ML） |
| 引用为： | arXiv:2601.19595 [cs.LG] |
| （或 arXiv:2601.19595v2 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2601.19595 arXiv 颁发的 DOI，通过 DataCite |
|
| 期刊 参考： | NeurIPS 2026 |
提交历史
来自：Jiří Němeček [查看电子邮件]
[v1]
2026 年 1 月 27 日星期二 13:29:25 UTC（596 KB）
[v2]
2026 年 10 月 5 日星期一 21:58:17 UTC（607 KB）
来源：arXiv cs.AI · arxiv.org