AI公平性：超越完全人口统计学的当前成就与未来方向
计算机与社会
2025-11-18 v1 人工智能
机器学习
摘要
人工智能（AI）中的公平性因AI系统中的歧视性结果而日益受到关注。虽然已提出多种方法来缓解偏见，但大多数依赖于完全的人口统计信息，这一假设在现实中往往不可行，因涉及法律限制且可能强化歧视。本综述检查了在人口统计信息不完整的情况下的AI公平性，聚焦传统方法与现实挑战之间的鸿沟。我们引入一种新颖的公平性概念分类体系，阐明其关系与区别。此外，我们总结了促进超越完全人口统计学公平性的现有技术，并突出开放研究问题，以鼓励该领域的进一步进展。
引用
@article{arxiv.2511.13525,
title = {AI Fairness Beyond Complete Demographics: Current Achievements and Future Directions},
author = {Zichong Wang and Zhipeng Yin and Roland H. C. Yap and Wenbin Zhang},
journal= {arXiv preprint arXiv:2511.13525},
year = {2025}
}
备注
ECAI 2025