通过重加权与调谐实现个体公平性

社会内在偏见可能被人工智能 (AI) 系统放大并延续。为解决此问题，提出了各种解决方案来识别和缓解偏见，确保个体和群体的公平性。最近，来自半监督学习文献的图拉普拉斯正则化器 (Graph Laplacian Regularizer, GLR) 被用作常见 Lipschitz 条件的替代品，以增强个体公平性。显著的先前工作表明，通过 GLR 实现的个体公平性可提高在协变量漂移下 AI 模型的迁移学习准确率。然而，先前工作在源和目标数据上组合定义 GLR，隐含假设目标数据在训练时可用，这在实际中可能不成立。本文调查是否可以在训练和目标数据上独立定义 GLR 以维持类似准确率。进而引入归一化公平性收益得分 (Normalized Fairness Gain, NFG) 通过测量使用 GLR 时获得的公平性量程来衡量个体公平性。我们在德国信用批准数据集上对新方法和原始方法进行评估。结果表明，两种模型在五折交叉验证中实现了相似的统计平均性能。此外，提出的指标显示 PC 分数可能误导，因为分数在统计上与公平性增强模型相似且较高，而 NFG 分数较小。本工作因此为何时 GLR 有效增强个体公平性以及 PC 的陷阱提供了新见解。