fairret：一种可微分公平性正则化项框架

当前机器学习中的公平性工具包仅支持有限的公平性定义，且与自动微分库的集成甚少，尽管这些库在现代机器学习流程中扮演着核心角色。我们提出了一种公平性正则化项（fairret）框架，将偏差量化为模块化、灵活的目标，可轻松集成到自动微分流程中。通过采用基于线性分式统计量的通用公平性定义，一大类 fairret 可被高效计算。实验展示了其梯度的行为，以及在以最小预测能力损失强制实现公平性方面相对于基线的效用。我们的贡献包括 fairret 框架的 PyTorch 实现。