深度学习分类器的罗尔斯式公平适配

分类中的群体公平性旨在不同敏感子群体（如种族或性别）间预测效用的平等。群体公平性中的平等或近平等约束常不仅恶化总体效用，也恶化最弱势子群体的效用。本文将以准确率为效用（作为示例）的帕累托效率与最小差异原则应用于此，得到罗尔斯分类器，其最小化最差敏感子群体上的错误率。我们的数学刻画表明，罗尔斯分类器按公平机会平等的精神，对特征的理想分数统一应用一个阈值。实践中，此类分数或特征表示常由有用却不公平的黑盒模型计算。我们的第二个贡献是对任意给定黑盒深度学习模型进行实用的罗尔斯式公平适配，而不改变其计算的分数或特征表示。给定任意分数函数或特征表示及其在敏感子群体上仅有的二阶统计量，我们寻求给定分数上的阈值分类器或给定特征表示上的线性阈值分类器，以实现限定于该假设类的罗尔斯错误率。我们的技术贡献是将上述问题用模糊机会约束表述，并提供罗尔斯式公平适配的高效算法，以及可证明的罗尔斯错误率上界。我们的实证结果显示，即便不为公平性重训练，也较最先进的群体公平算法有显著提升。