OxEnsemble：低数据下的公平分类集成

我们聚焦于数据稀缺且在人口统计组之间不平衡的公平分类问题。此类低数据场景常见于医学影像领域，错误的负样本预测可能致命。我们提出一种新方法\emph{OxEnsemble}，在这些低数据环境中高效训练集成模型并实现公平性。不同于其他方法，\emph{OxEnsemble}聚合各集成成员的预测，而每个成员均训练于满足公平约束。按此构造，\emph{OxEnsemble}既数据高效——精确复用保留数据以可靠实现公平性——又计算高效，仅需比微调或评估现有模型所需的计算资源略多。我们提出新的理论保证。实验表明，在多个具有挑战性的医学影像分类数据集上，\emph{OxEnsemble}产出更为一致的结果，并在公平性与准确性之间实现更佳的权衡。