公平无穷小刀切法：无需重训练即可减轻有偏训练数据点的影响

在重大决策的各类应用中，减轻机器学习模型中针对由种族、性别等敏感属性所划分群体成员造成系统性不利影响的非期望偏差，是实现公平的一项关键干预措施。聚焦于人口均等与机会均等，本文提出一种算法，通过简单地丢弃精心挑选的训练数据点来提升预训练分类器的公平性。我们基于这些数据点对感兴趣公平性指标的影响来筛选实例，该影响通过基于无穷小刀切法的方法计算。训练点的丢弃在原理上进行，但在实践中无需对模型进行重训练。关键在于，我们发现此类干预不会显著降低模型的预测性能，却能大幅改善公平性指标。通过严谨的实验，我们在多种任务上评估了所提方法的有效性，发现其始终优于现有替代方案。