MESD：解释公平性跨交叉子群的风险敏感度度量

机器学习中的公平性主要通过结果导向指标进行评估，例如人口公平性，这类指标衡量预测在受保护群体之间的统计一致性。然而，这些指标无法检测模型是否对不同人口群体使用系统性不同的推理，从而违反程序公平原则。这种问题在交叉性问题中尤为突出，即使模型在单个属性（如种族）上看起来公平，却可能在交叉子群体（如种族×性别）上表现出显著差异，称为公平性乔治森林效应。在本工作中，我们引入了多类别解释稳定性差异（MESD），这是一种程序公平度度量，量化由多个受保护属性的笛卡尔积形成的交叉子群组之间的解释质量差异。MESD整合了三个组成部分：与结果条件化公平性相匹配的标签感知聚合、用于稳定小交叉子群组估计的经验贝叶斯收缩，以及强调最坏情况子群差异的条件价值-at-Risk（CVaR）加权。我们将MESD集成到多目标优化框架（UEF）中，联合优化效用、结果公平性和程序公平性，使用NSGA-II。我们在三个基准数据集上对MESD和UEF进行了评估，并与四种最先进的方法进行了多个实验，证明MESD揭示了仅凭结果指标无法察觉的程序性差异。我们将我们的贡献置于程序正义理论之内，并讨论了对监管合规和交叉公平性的影响。