硬资源限制下的后验阈值优化： operationalizing Fairness
机器学习
2026-02-27 v1 人工智能
摘要
在高风险领域部署机器学习模型需要在预测安全性和算法公平性之间进行平衡。然而，现有的公平性干预往往假设资源不受限制，并采用特定的决策阈值，这些阈值违反了反歧视法规。我们引入一种后验的、模型无关的阈值优化框架，在严格的硬容量约束下实现安全、效率和公平的联合平衡。为确保法律合规，该框架强制执行单一的全局决策阈值。我们构建的参数化伦理损失函数搭配受限的决策规则，数学上防止干预量超过可用资源。从理论上，我们证明了部署阈值的关键属性，包括对伦理权重的局部单调性以及关键容量制度的正式识别。我们在多样化的高风险数据集上进行了大规模实验评估。主要结果表明，容量约束主导了伦理优先事项；严格的资源限制在超过 80% 的测试配置中决定了最终部署的阈值。此外，在限制为 25% 的容量下，我们的框架成功保持了较高的风险识别率（召回率范围为 0.409 到 0.702），而常规的无约束公平性启发方法则退化为接近零的效用。我们得出结论，理论上的公平目标必须明确地从属于操作容量限制才能保持可部署性。通过将预测评分与政策评估分离并严格限制干预率，该框架为利益相关者在资源受限环境中应对不可避免的伦理权衡提供了实用且符合法律要求的机制。
引用
@article{arxiv.2602.22560,
title = {Operationalizing Fairness: Post-Hoc Threshold Optimization Under Hard Resource Limits},
author = {Moirangthem Tiken Singh and Amit Kalita and Sapam Jitu Singh},
journal= {arXiv preprint arXiv:2602.22560},
year = {2026}
}