公平性知情 Pareto 优化：一种高效的双层框架
机器学习
2026-01-23 v2 最优化与控制
机器学习
摘要
尽管具有前景，但公平机器学习方法通常会产生 Pareto 无效模型，其中某些组的性能可以在不降低其他组性能的情况下得到改善。这个问题在传统的处理中方法（如通过正则化实现公平）中频繁出现。相比之下，现有的 Pareto 有效方法偏向于特定的公平性视角，无法适应文献中研究的广泛公平性指标。在本文中，我们提出了 BADR，一个简单的框架，用于为任何公平性指标恢复最优的 Pareto 有效模型。我们的框架通过双层自适应重标度过程恢复其模型。下层是一个加权经验风险最小化任务，其中权重是各组的凸组合，而上层则优化所选的公平性目标。我们为该框架配备了两种新的大规模单循环算法 BADR-GD 和 BADR-SGD，并建立了它们的收敛保证。我们发布了 badr，一个开源 Python 工具箱，为各种学习任务和公平性指标实现了我们的框架。最后，我们进行了广泛的数值实验，证明了 BADR 相对于现有 Pareto 有效公平性方法的优势。
引用
@article{arxiv.2601.13448,
title = {Fairness-informed Pareto Optimization : An Efficient Bilevel Framework},
author = {Sofiane Tanji and Samuel Vaiter and Yassine Laguel},
journal= {arXiv preprint arXiv:2601.13448},
year = {2026}
}