复现 FACTER：通过保形阈值化与提示修复实现公平性

Fayyazi 等人（2025）最近提出了 FACTER，这是一个与模型无关的框架，旨在通过保形阈值化和迭代提示修复，在基于 LLM 的推荐中共同强制执行公平性和统计覆盖率。在本工作中，我们在不同的架构和数据集稀疏度水平上对 FACTER 框架进行了复现研究，评估了原始的开放式生成任务和受限的重排序扩展。在严格的复现下，我们观察到推荐效用上的差异，我们将其追溯到原研究中未充分明确的目标集评估。然后，我们使用受限重排序设置来评估在候选集固定时的 FACTER，并引入静态 Fair Zero-Shot 基线，以隔离迭代提示修复循环的贡献。我们的分析表明，FACTER 持续减少了自适应阈值违规计数，但这些减少在固定阈值或全局公平性指标下并未得到一致反映。在受限排序设置中，静态公平性指令实现了与 FACTER 动态修复循环相当的语义对等结果，这表明额外的在线修复机制在此形式下提供的收益有限。所有代码和复现产物可在 https://github.com/oscar-omlf/facter-repr 获取。