通过重新加权提升公平性：达成充分性规则之路

我们引入一种创新方法，通过对训练数据进行细化的重新加权方案，以增强模型训练过程中经验风险最小化（ERM）的过程，以提升公平性。该方案旨在通过确保最优预测器在不同子群中保持一致性来维持公平性中的充分性规则。我们采用双层 formulation 来应对这一挑战，其中我们探索样本重新加权策略。不同于依赖模型规模的常规方法，本 formulation 基于样本权重的空间来衡量泛化复杂度。我们对权重进行离散化以提高训练速度。本方法的实证验证展示了其有效性和鲁棒性，揭示了在各种实验中，在预测性能和公平性指标之间取得持续平衡的改善。