机器学习中多重性公平性影响的感知

机器学习（ML）在高风险领域中日益广泛应用，但多重性——即存在多个好模型的事实——意味着某些预测本质上是任意的。ML 研究者和哲学家认为，多重性构成公平性风险，但尚无研究调查了利益相关者是否同意这一观点。本文我们进行调查，以了解多重性如何影响面向大众利益相关者（即决策主体）的 ML 公平性感知，以及他们更倾向于哪些解决多重性的方法。我们调查了这些感知如何受任务特征（例如风险和不确定性）的调制。调查受访者认为，多重性威胁模型结果的公平性，但不构成使用该模型的合适性，尽管现有工作则建议相反。受访者强烈反对通过使用单一模型（实际上忽略多重性）或随机化结果来解决多重性。我们的结果表明，模型开发者应有意识地处理多重性，以维持公平性。