面向全体公平：分类问题中的尽力公平保证

基于群体的标准公平方法，如奇偶性和均衡赔率，试图均衡已知群体（基于种族、性别等）间绝对性能度量。因此，一个本质上更难分类的群体可能拖累其他群体的性能；且无法为未预见群体提供任何保证。相反，我们提出一种公平概念，其对类$\mathcal{G}$中每个群体$g$的保证相对于$g$上最优分类器的性能。我们将此概念应用于广泛的群体类，特别是：(a)$\mathcal{G}$由数据中所有可能的群体（子集）组成，以及(b)$\mathcal{G}$更为精简。对于第一种设定（类似于群体完全未知），我们设计了{\sc PF}（比例公平）分类器，其保证在任意可能群体$g$上，准确率与$g$的最优分类器准确率成比例，并按$g$在数据集中相对大小缩放。由于包含了所有可能群体（其中某些可能过于复杂而不具相关性），此处最坏情况理论保证对于较小子集不得不按比例更弱。对于第二种设定，我们设计了{\sc BeFair}（尽力公平）框架，其寻求在每个$g \in \mathcal{G}$上逼近$g$的最优分类器准确率，且与$g$的大小无关。追求此类保证导致非凸问题，我们设计了新技术以在$\mathcal{G}$为线性假设集时规避该困难。我们在真实世界数据集上测试算法，并呈现关于其性能的有趣比较见解。