MIFair：一个面向交叉性与多类公平性的互信息框架
机器学习
2026-05-01 v1 人工智能
计算机与社会
信息论
math.IT
摘要
机器学习中的公平性因其伦理复杂性、缺乏统一定义以及需要针对具体情境的偏差度量标准而仍然充满挑战。现有方法在交叉性、多类设置以及灵活性和通用性方面仍存在不足。为弥补这些差距，我们引入了 MIFair，一个基于互信息的统一偏差评估与缓解框架。MIFair 提供了一种灵活的度量模板和一种受“偏见消除器”启发的处理中缓解方法，将群体公平性定义为预测衍生变量与敏感属性之间的统计独立性。我们通过建立其与独立性、分离性等广泛使用的公平性概念之间的等价关系，进一步强化了其信息论基础。MIFair 天然支持交叉性、复杂子群结构和多类分类，并采用基于正则化的训练方法，根据所选度量指标减少偏差。其主要优势在于其多功能性：它将多样化的公平性需求整合到一个统一的框架中，从而实现一致的基准测试并简化实际应用。在真实世界表格和图像数据集上的实验表明，MIFair 能有效减少偏差，包括先前未处理的多属性场景，同时在评估的各种设置中保持强大的预测性能。
引用
@article{arxiv.2604.28030,
title = {MIFair: A Mutual-Information Framework for Intersectionality and Multiclass Fairness},
author = {Jeanne Monnier and Thomas George and Frédéric Guyard and Christèle Tarnec and Marios Kountouris},
journal= {arXiv preprint arXiv:2604.28030},
year = {2026}
}