arXiv cs.AI· Mohit Sharma, Okan Ko\c{c}, Amit Deshpande, Takashi Ishida, Gang Niu, Rajiv Ratn Shah, Masashi Sugiyama·· 11 小时前AI 评分26
用软标签实用估计贝叶斯最优公平性-准确率权衡
Practical Estimation of the Bayes Optimal Fairness-Accuracy Tradeoff with Soft Labels
AI 导读
研究者提出仅用软标签和群体信息即可估计公平约束下最优错误率（公平贝叶斯错误率）的估计方法，无需输入特征或辅助训练，并给出偏差与样本复杂度的理论界。实验显示，即使软标签含噪且由硬标签分类模型导出，该方法仍能稳定、低方差地估计最优公平性-准确率权衡曲线。该工作被 NeurIPS 2026 接收。
正文 · AI 翻译
摘要：对于给定的数据分布，任何模型的最佳预测误差都存在一个根本极限。在分类问题中，贝叶斯误差量化了这一极限，它既可作为已训练模型的基准，也可作为检测过拟合的准则。二分类中最先进的贝叶斯误差估计技术仅使用软标签（正类概率），无需输入特征或辅助训练。我们将此类概念扩展到受约束的分类问题，例如公平性。公平分类是受约束或多目标分类的一个重要情形。它要求模型不仅准确，还要在不同人口群体（如种族和性别）之间产生公平的结果（相等或近乎相等的真阳性率）。这导致了固有的公平性-准确性权衡，或称为帕累托前沿，用于在公平分类器之间进行比较。我们工作的重点是估计这种公平性-准确性权衡的根本极限。我们推导出公平贝叶斯错误率（即在给定公平性约束下可达到的最佳错误率）的显式表达式，并仅使用软标签和群体信息为其构造一致且无需实例的估计器。我们可证明地界定了估计器的偏差和样本复杂度。在实证上，即使软标签含有噪声且源自基于硬标签的分类模型，我们的方法也能对最优公平性-准确性权衡曲线产生稳健、低方差的估计。
| 评论： | 已被 Neurips 2026 接收 |
| 主题： | 机器学习（cs.LG）；人工智能（cs.AI） |
| 引用为： | arXiv:2611.06027 [cs.LG] |
| （或 arXiv:2611.06027v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.06027 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Mohit Sharma [查看电子邮件]
[v1]
2026年11月4日星期三 06:29:11 UTC（554 KB）
来源：arXiv cs.AI · arxiv.org