考虑替代方案：通过取消资格机制应对公平-精度权衡

在许多机器学习场景中，公平性与精度诉求之间存在固有张力。面对此类权衡应如何前行？本文引入并研究了 $\gamma$-disqualification（γ-取消资格），一种在监督学习背景下针对基准类 $H$ 推理公平-精度权衡的新框架。我们的要求规定：若存在从 $H$ 中切换至另一分类器即可改善其公平性且精度损失“不大”，则该分类器应被取消资格。“不大”的程度通过参数 $\gamma$ 量化，该参数作为指定精度与公平性之间可接受权衡的载体，且独立于特定任务中用于量化公平与精度的具体指标。为此，我们针对不同精度度量建立了精度单位与（不）公平单位之间有原则的转换关系。我们展示了 $\gamma$-取消资格可用于轻松比较不同学习策略在公平-精度权衡上的表现，并给出了从寻找满足我们要求的最优分类器问题到近似 $H$ 的帕累托前沿问题的高效归约。