通过学习梯度图实现公平性（无需人口统计信息）

机器学习系统因对特定人口统计群体的偏见性预测而臭名昭著，导致算法公平性问题。由于隐私顾虑和数据质量问题，训练数据中可能缺乏部分人口统计信息，而不同人口统计之间的复杂相互作用会导致许多未知的少数子群体，从而限制了基于群体的公平性方法的适用性。许多针对无人口统计信息公平性的现有研究假设群体与特征之间的相关性。然而，我们认为模型梯度对无人口统计信息公平性同样具有重要价值。本文表明，梯度与群体之间的相关性有助于识别和改善群体公平性。通过对抗性加权架构，我们构建了一个将梯度相似的样本连接的图，并从中学习不同样本的权重。不同于那些将特征和标签作为代理敏感属性聚类群体的替代性分组方法，我们的方法利用图结构作为软分组机制，对噪声更为稳健。结果表明，我们的方法对噪声具有较强鲁棒性，能够在不显著降低总体准确率的前提下显著提高公平性。