关于在多子群上学习公平性与准确性

我们提出公平学习中的一项分析，在群体充分性准则下降低预测差异的同时保持数据效用。我们关注数据包含多个甚至许多子群、每子群样本量有限的场景。据此，我们提出一种原则性方法，通过将学习所有子群的公平预测器表述为双层目标来达成。具体而言，子群特定预测器在底层通过少量数据与公平预测器学习得到；在顶层，公平预测器被更新以接近所有子群特定预测器。我们进一步证明此类双层目标能有效控制群体充分性与泛化误差。我们在真实世界数据集上评估所提框架。经验证据表明公平预测持续改善，且准确性与基线相当。