多样性驱动公平性：用于机器学习软件交叉公平性的高阶变异体集成

交叉公平性是机器学习（ML）软件的关键要求，需要在由多个受保护属性定义的子群体间保持公平性。本文提出了 FairHOME，一种利用输入的高阶变异来增强 ML 软件推理阶段交叉公平性的新颖集成方法。该方法受社会科学理论强调多样性优势的启发，FairHOME 为每个输入实例生成代表多样化子群体的变异体，从而拓宽视角以促进更公平的决策过程。与组合不同模型预测的传统集成方法不同，FairHOME 组合由同一 ML 模型生成的原始输入及其变异体的预测，以得出最终决策。值得注意的是，FairHOME 甚至适用于已部署的 ML 软件，因为它无需训练新模型。我们在 24 个决策任务上使用广泛采用的指标，将 FairHOME 与七种最先进的公平性改进方法进行了广泛评估。FairHOME 在所有考虑指标上始终优于现有方法。平均而言，它将交叉公平性提升了 47.5%，超越了当前表现最佳的方法 9.6 个百分点。