基于影响函数的公平分类样本重加权方法 IFFair
机器学习
2025-12-09 v1 人工智能
摘要
由于机器学习显著提升了社会中的效率和便利性，越来越多地用于辅助或取代人类决策。然而，基于数据的模式使得相关算法学习甚至加剧潜在偏见，导致对某些不利群体的歧视性决策，剥夺了其平等对待的权利，损害社会福祉，阻碍相关应用的发展。因此，我们提出一种基于影响函数的预处理方法 IFFair。与其他公平优化方法不同，IFFair仅使用训练样本在不同群体上的影响差异作为动态调整样本权重的指导，无需修改网络结构、数据特征和决策边界。为评估 IFFair 的有效性，我们在多个真实数据集和指标上进行实验。实验结果表明，我们的方法在分类设置下缓解了包括人口统计公平性、平等机会、机会平等和错误率公平性在内的多个公平指标的偏见。它还表明 IFFair 在多个实用和公平指标之间实现了更好的权衡，优于以前的预处理方法。
引用
@article{arxiv.2512.07249,
title = {IFFair: Influence Function-driven Sample Reweighting for Fair Classification},
author = {Jingran Yang and Min Zhang and Lingfeng Zhang and Zhaohui Wang and Yonggang Zhang},
journal= {arXiv preprint arXiv:2512.07249},
year = {2025}
}