探索平等：公平性定义自定义损失函数的研究

本文通过构建使用针对特定公平性准则优化的自定义损失函数训练的神经网络，探讨了 COMPAS 中各种公平性指标（如均等赔率、差异性影响和机会均等）与预测准确性之间的复杂权衡。本文首次实现了理论上由 Gupta 等人 (2024) 提出的新型组准确率一致性（GAP）框架的公平性驱动方案，并将其应用于 COMPAS。为了操作化并准确比较针对不同公平理念优化的 COMPAS 模型的公平性，本文开发并提出了一种结合帕累托前沿和多变量分析的综合分析程序，并利用了小提琴图等数据可视化方法。本文得出结论，与 COMPAS 当前的全国性实施方案以及针对更传统公平性定义优化的 COMPAS 替代实施方案相比，GAP 在公平性和准确性之间实现了更好的平衡。尽管本文对 COMPAS 的算法改进显著提升了其公平性，但外部偏见削弱了其实现的公平性。预测性警务等做法以及 COMPAS 内部运作缺乏透明度等问题，导致了该算法历史上的不公正。除了对 COMPAS 预测方法的发展外，还必须进行法律和制度上的变革，以实现 COMPAS 的公正部署。