通过模型无关排序调整实现二分排序公平性

算法公平性一直是机器学习界严重关注并广受关注的问题。在本文中，我们关注二分排序场景，其中实例来自正类或负类，目标是学习一个排序函数，将正类实例排在负类实例之前。尽管公平性与性能之间可能存在权衡，我们提出了一种模型无关的后处理框架 xOrder，以在二分排序中实现公平性并保持算法的分类性能。具体而言，我们优化效用的加权和，将其视为在不同受保护群体间识别最优扭曲路径，并通过动态规划过程求解。xOrder 兼容各种分类模型和排序公平性度量，包括有监督和无监督公平性度量。除二元群体外，xOrder 还可应用于多个受保护群体。我们在四个基准数据集和两个真实世界患者电子健康记录库上评估了所提出的算法。xOrder 在不同度量下的多种数据集上始终在算法效用与排序公平性之间取得更好的平衡。从校准排序分数的可视化来看，与基线相比，xOrder 缓解了不同群体的分数分布偏移。此外，额外的分析结果表明，当面对更少样本以及训练与测试排序分数分布间更大差异时，xOrder 实现了鲁棒的性能。