arXiv cs.CY· Marie Generali Lince, Vincent Divol, R\'emi Flamary, Solenne Gaucher, Patrick Loiseau·· 10 小时前AI 评分20
公平回归的几何：统一 aware 与 unaware 场景的松弛公平回归框架
Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings
AI 导读
研究将人口统计均等惩罚下的回归建模为最优运输问题，统一了敏感属性可知与不可知的公平回归场景，并在 Wasserstein-2 与 Total Variation 两种惩罚下刻画最优预测函数。结果表明 Wasserstein 惩罚带来平滑的群体性折中，Total Variation 则对部分个体强制均等。基于此提出算法 FAUST，实现简单、计算高效，在真实基准上匹配或超越 SOTA 基线。
正文 · AI 翻译
摘要：公平性与准确性的权衡是部署公平感知机器学习方法时的核心关切。当推理时无法获得敏感属性时——即所谓的无意识设置，在放宽的公平约束下获得准确预测的原则性方法在很大程度上仍然缺失。在这项工作中，我们将人口均等惩罚下的回归表述为最优传输问题，以填补这一空白。我们的框架统一了有意识和无意识两种设置，并在平方 Wasserstein-2 和全变差惩罚下，通过最优传输映射刻画了最优预测函数。这些结果揭示，惩罚的选择反映了根本不同的公平理念：Wasserstein 惩罚诱导出一种平滑的、覆盖全人群的折中，而全变差则对一部分个体强制实现均等。基于这些理论刻画，我们提出了 FAUST，一种实现简单、计算高效、并在真实世界基准上始终达到或超越最先进基线的算法。
| 主题： | 机器学习（stat.ML）；计算机与社会（cs.CY）；机器学习（cs.LG） |
| 报告编号： | hal-05625006 |
| 引用为： | arXiv:2605.28233 [stat.ML] |
| （或此版本的 arXiv:2605.28233v2 [stat.ML]） | |
| https://doi.org/10.48550/arXiv.2605.28233 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Marie Generali Lince [查看邮箱]
[v1]
2026年5月27日 星期三 09:45:16 UTC（1,725 KB）
[v2]
2026年10月30日 星期五 12:27:00 UTC（831 KB）
来源：arXiv cs.CY · arxiv.org