特征之间存在约束时的分类器公平性
机器学习
2026-05-04 v1 人工智能
摘要
在机器学习中，关于分类器所作决定的公平性定义是其不应依赖于受保护特征，如性别。不幸的是，当特征之间存在约束时，这类依赖可能被掩盖。为避免此问题，我们提出：若一个决定具有不包含任何受保护特征的素因解释，则视为公平（在此定义中，素因解释的定义已考虑约束）。令人惊讶的是，忽略约束甚至在受保护与非受保护特征之间不存在约束时，仍可能完全改变一个决定的公平性（依据此定义）。我们识别了这些不同公平性定义之间的关系，并研究了测试分类器公平性的计算复杂性。
引用
@article{arxiv.2605.00592,
title = {Fairness of Classifiers in the Presence of Constraints between Features},
author = {Martin C. Cooper and Imane Bousdira},
journal= {arXiv preprint arXiv:2605.00592},
year = {2026}
}
备注
To be published in Proc. CP 2026