交叉性偏差：回归任务的公平性度量
机器学习
2025-08-01 v2
摘要
机器学习研究中的公平性通常以分类任务的上下文加以框架化，而回归任务则存在关键性空白。本文提出了一种新方法，用于衡量回归任务的交叉性公平性，超越现有工作仅关注单一受保护属性的局限，考虑所有受保护属性的组合。此外，我们认为仅衡量各组平均误差而不考虑领域偏好不平衡是不够的。因此，我们提出了交叉性偏差（Intersectional Divergence, ID）作为回归任务的第一种公平性度量：1) 描述模型在多个受保护属性上的公平行为；2) 在区分用户最相关的目标范围内的预测影响。我们扩展了我们的提案，说明 ID 可适应为损失函数 IDLoss，IDLoss 满足收敛保证，并具有分段光滑特性，可用于实际优化。通过大量实验评估，我们展示了 ID 如何提供独特的模型行为和公平性见解，纳入 IDLoss 进行优化后，可在保持预测性能具有竞争力的同时，显著改善单属性和交叉性模型公平性。
引用
@article{arxiv.2505.00830,
title = {Intersectional Divergence: Measuring Fairness in Regression},
author = {Joe Germino and Nuno Moniz and Nitesh V. Chawla},
journal= {arXiv preprint arXiv:2505.00830},
year = {2025}
}