关于回归任务公平性测量方法的一致性

随着机器学习(ML)技术在现实世界中的应用日益增长，确保这些模型以公平的方式工作变得非常重要。这一关键步骤是有效地衡量公平性，而为此，过去的文献提出了各种度量标准。尽管在分类设置中，这些度量的计算相当直接，但在回归领域却计算不可行。为解决计算不可行的问题，过去的文献提出了各种方法来近似这些度量。然而，他们没有验证这些近似算法输出在多大程度上彼此一致。为填补这一空白，本文通过在各种回归任务上进行大量实验，全面研究了各种公平性测量方法输出的一致性。结果发现，尽管某些公平性测量方法在各种回归任务中表现出强大的一致性，但某些方法在特定回归任务中显示出相对较差的一致性。这进一步呼吁在回归领域采用更为原则的方法来衡量公平性。