跨模型公平性：模型多重性下公平性与伦理的实证研究

尽管数据驱动的预测模型是严格的技术构造，它们可能在社会语境中运作，其中良性的工程选择会带来隐含、间接且意外的现实后果。此类系统的公平性——涉及个体与群体——是这一领域的相关考量；算法可跨越各种受保护特征歧视人群，无论这些属性是否包含在数据中或通过代理变量可辨。迄今，该概念主要在固定模型下研究，常针对不同分类阈值，力求识别并消除其运作中不良、歧视性且可能非法的方面。在此，我们回溯这一固定模型假设，提出并探索一种新颖的跨模型公平性定义：当从一个性能等同的模型组中临时选择一个预测器时，即鉴于基于效用的模型多重性，个体可能受到伤害。由于一个人可能在其他被视为等价的模型中被不同分类，该个体可主张选用给予其最有利结果的预测器，而采用之可能对他人产生不利影响。我们以二维示例与线性分类引入此场景；随后，基于算法公平界流行的真实预测模型与数据集呈现全面实证研究；最后，我们探究跨模型公平性的解析性质及其在更广义语境中的影响。我们的发现表明，此类不公平在现实中易见，且仅借技术手段难以缓解，因为这样做可能降低预测性能。