论群体公平与个体公平之间的（不）兼容性

我们研究了最优统计奇偶解与个体公平之间的兼容性。个体公平旨在对相似的个体给予相似对待，而最优统计奇偶则旨在对各自敏感群体内具有相对相似性的个体给予相似对待。这两种公平视角虽然从公平角度都是可取的，但在应用中常常发生冲突。我们在这项工作中的目标是分析这种冲突的存在及其潜在解决方案。特别地，我们建立了最优（后处理）统计奇偶$L^2$学习与（$K$-Lipschitz或$(\epsilon,\delta)$）个体公平要求之间兼容性的充分（尖锐）条件。此外，当两者存在冲突时，我们首先将前者松弛到$L^2$误差与统计差异之间的帕累托前沿（或等价地，最优权衡），然后分析该前沿与个体公平要求之间的兼容性。我们的分析确定了沿帕累托前沿满足个体公平要求的区域。（最后，我们为训练模型与最优后处理步骤的组合提供了个体公平保证，以便确定后处理模型的兼容性。）这为从业者提供了一种有价值的方法，在遵守个体公平约束的同时实现统计奇偶的帕累托最优性。