为公平而归一化：回归机器学习问题中一种简单的公平性归一化技术

算法与机器学习（ML）正日益影响日常生活及若干决策过程，其中 ML 因可扩展性或优越性能而具有优势。在此类应用中，公平性至关重要，模型不应基于种族、性别或其他受保护群体而歧视其结果。这对于影响极敏感议题（如面试邀请或累犯预测）的模型尤为关键。与二分类问题相比，回归问题的公平性研究并不常见；因此，我们提出一种基于归一化（FaiReg）的简单而有效的方法，可最小化回归问题中不公平性的影响，尤其是由于标注偏差所导致的不公平性。我们给出了该方法的理论分析，并与两种标准公平性方法（即数据平衡与对抗训练）进行了实证比较。我们还包含一种混合形式（FaiRegH），将所提方法与数据平衡相结合，试图同时应对标注偏差与采样偏差。实验在多模态数据集 First Impressions（FI）上进行，包含多种标签，即大五人格预测与面试筛选分数。结果表明，该方法在削弱不公平性影响方面优于数据平衡，且不像对抗训练那样严重损害原问题的性能。公平性基于相等准确率（EA）与统计 parity（SP）约束进行评估。实验给出了一种可同时增强多个受保护变量公平性的设置。