通过后处理实现多输出分布公平性

后处理方法因其直观性、低计算成本和出色的可扩展性，正成为增强机器学习模型公平性的重要技术。然而，现有的大多数后处理方法是为特定任务的公平性度量而设计，且仅限于单输出模型。本文针对多输出模型（例如用于多任务/多类分类和表示学习的模型）引入一种后处理方法，以增强模型的分布对等性，这是一种与任务无关的公平性度量。现有的实现分布对等性的方法依赖于模型输出的（逆）累积密度函数，这限制了它们对单输出模型的适用性。我们扩展了先前的工作，提出利用最优传输映射将不同组的模型输出移向其经验Wasserstein重心。我们应用了一种近似技术来降低计算精确重心的复杂度，并提出了一种核回归方法将该过程扩展到样本外数据。我们的实证研究在多任务/多类分类和表示学习任务上，将所提出的方法与各种基线进行了评估，证明了该方法的有效性。