从脆弱到认证：分布偏移下群体公平性的Wasserstein审计
机器学习
2025-10-01 v1
摘要
群体公平性指标（例如，均等化几率）在不同重采样间可能剧烈变化，并且在分布偏移下尤其脆弱，这损害了可靠审计的基础。我们提出了一个Wasserstein分布鲁棒框架，该框架在以经验分布为中心的合理测试分布球上认证最坏情况下的群体公平性。我们的公式通过一个通用的条件概率泛函统一了常见的群体公平性概念，并将-Wasserstein分布公平性（-WDF）定义为审计目标。利用强对偶性，我们推导出可处理的重新表述以及一个用于-WDF的高效估计器（DRUNE）。我们证明了其可行性和一致性，并为审计公平性建立了有限样本认证保证，同时在平滑性和间隔条件下给出了定量界限。在标准基准和分类器上，-WDF在分布偏移下提供了稳定的公平性评估，为超越观测数据的群体公平性审计和认证提供了原则性基础。
引用
@article{arxiv.2509.26241,
title = {From Fragile to Certified: Wasserstein Audits of Group Fairness Under Distribution Shift},
author = {Ahmad-Reza Ehyaei and Golnoosh Farnadi and Samira Samadi},
journal= {arXiv preprint arXiv:2509.26241},
year = {2025}
}