放松公平回归的几何结构：面向敏感属性不可得情形的统一框架
机器学习
2026-05-28 v1 计算机与社会
机器学习
摘要
公平性-精度权衡是机器学习方法部署中的核心关注点。当敏感属性在推断时不可得——即所谓的 unawareness 情形时，获取在放松公平约束下准确预测的原则方法已大多缺失。本文通过将 demographic parity 罚函数形式化为最优传输问题，来填补这一空白。我们的框架统一了 both aware 与 unaware 两种情形，并通过在平方 Wasserstein-2 及总变差（Total Variation）罚函数下，对最优预测函数进行了特征化。这些结果揭示了罚函数选择反映了根本性的公平哲学：Wasserstein 罚函数引导 population-wide 的平滑妥协，而 Total Variation 则对特定子群实现 exact parity。基于这些理论特征化，我们提出一种实现简单、计算高效、且在真实数据集上常常匹配或优于最新基线的算法。
引用
@article{arxiv.2605.28233,
title = {Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings},
author = {M. Generali Lince and V. Divol and R. Flamary and S. Gaucher and P. Loiseau},
journal= {arXiv preprint arXiv:2605.28233},
year = {2026}
}