面向分类的统一组公平性后处理框架

我们提出一种覆盖统计比例、平等机会和平等机会等组公平性准则的后处理分类算法，适用于属性感知和属性盲环境中的多类问题。我们的算法称为"LinearPost"，通过根据加权组合的(预测)群体成员资格，对(不公平的)基预测器的预测进行线性变换来实现公平性。它若基预测器经过后处理的是贝叶斯最优公平分类器，否则， resulting classifier 可能不具最优性，但只要群体成员资格预测器是多校准的，公平性就得到保证。后处理的参数可以通过求解经验线性规划来高效计算和估计。经验评估表明，我们的算法在高公平性 regime下相对于现有后处理和in-processing公平分类算法具有优势。