基于组条件先验概率迁移的公平性：不变性、漂移与面向目标的后处理
机器学习
2026-02-06 v1
摘要
机器学习系统通常在历史数据上进行训练和评估公平性，但部署时可能处于条件已变更的环境。一种常见的迁移形式是标签正例悖率在不同人口统计组间以不同速度变化——例如，疾病发生率在某一人群中上升更快，或经济条件不均衡影响贷款违约率。我们研究组条件先验概率迁移(GPPS)，即标签悖率在训练与部署之间可能变化，而特征生成过程保持稳定。我们的分析包含三个主要贡献：首先，我们证明了根本性二分法：基于错误率的公平性准则(平等机会)在GPPS下结构上保持不变，而接受率准则(人口统计公平)可发生漂移——我们证明这种漂移对非平凡分类器不可避免(迁移鲁棒性不可能)。其次，我们表明目标域风险与公平性指标可在无目标标签情况下被识别：ROC量量在GPPS下的不变性使我们能够仅从源标签和无标记目标数据中一致估计，并具备有限样本保证。最后，我们提出TAP-GPPS，一种无标签后处理算法，从无标记数据中估计悖率、校正后验概率并选择阈值以满足目标域中的人口统计公平。实验验证了我们的理论预测，表明TAP-GPPS在最小实用损失下实现目标公平。
引用
@article{arxiv.2602.05144,
title = {Fairness Under Group-Conditional Prior Probability Shift: Invariance, Drift, and Target-Aware Post-Processing},
author = {Amir Asiaee and Kaveh Aryan},
journal= {arXiv preprint arXiv:2602.05144},
year = {2026}
}