我能信任我的公平性度量吗？利用无标签数据与贝叶斯推断评估公平性

我们研究在标签样本稀少但无标签样本充足时可靠评估群体公平性的问题。我们提出一个通用贝叶斯框架，可用无标签数据增强标签数据，相较于仅基于标签数据的方法，产生更准确且方差更低的估计。我们的方法利用以标签样本为条件的分层潜变量模型，为各群体中的无标签样本估计校准分数。这进而允许对多种群体公平性度量推断具有相关不确定性概念的后验分布。我们证明，在多个知名公平性数据集、敏感属性与预测模型上，我们的方法在估计误差上实现了显著且一致的降低。结果显示了在使用无标签数据与贝叶斯推断以评估预测模型是否公平方面的益处。