APFEx：面向交叉公平性的自适应帕累托前景探索器
机器学习
2025-09-24 v2
摘要
确保机器学习模型的公平性至关重要，尤其是当偏见在交叉受保护属性（如种族、性别和年龄）之间叠加时。虽然现有方法针对单个属性解决公平性问题，但无法捕捉面向交叉子群的细微且叠加的偏见。我们提出自适应帕累托前景探索器（APFEx），这是第一个显式将交叉公平性建模为敏感属性笛卡尔积上联合优化问题的框架。APFEx结合了三个关键创新——（1）自适应多目标优化器，动态在帕累托锥投影、梯度加权和探索策略之间切换，以导航公平性-精度权衡；（2）可微分的交叉公平性度量，使非光滑子群差异实现梯度优化；（3）收敛于帕累托最优解的理论保证。实验在四个真实数据集上表明，APFEx在减少公平性违规方面具有优势，同时保持竞争的精度。我们的工作填补了公平机器学习中的关键空白，提供了一个可扩展且模型无关的交叉公平性解决方案。
引用
@article{arxiv.2509.13908,
title = {APFEx: Adaptive Pareto Front Explorer for Intersectional Fairness},
author = {Priyobrata Mondal and Faizanuddin Ansari and Swagatam Das},
journal= {arXiv preprint arXiv:2509.13908},
year = {2025}
}