无人口信息的分类公平性保障：谱不确定性集视角
机器学习
2026-02-13 v1 人工智能
摘要
随着自动分类系统的流行，其可能强化并放大现有社会偏见的担忧日益增长。在此背景下，已提出许多方法以增强分类器的公平性保证。大多数现有干预措施假设可获得所有实例的组信息，而这在实际中很少实现。公平性在缺乏人口信息的情况下常通过鲁棒优化技术来实现，这些技术针对称为不确定性集的一组合理分布。然而，其有效性严重依赖于所选定的不确定性集。事实上，现有方法常常过度关注离群值或过于乐观的情景，这损害了整体性能和公平性。为克服这些限制，我们引入SPECTRE——一种最小最大公平方法，通过调整简单的傅里叶特征映射的谱，并约束最坏情况分布相对于经验分布的偏离程度。我们在涉及20个州的美国人口普查数据集上进行了大量实验。SPECTRE的“安全性”体现在其在公平性保证方面获得最高的平均值，同时相较于现有方法具有最小的四分位间距。此外，我们提供了理论分析，推导了针对每个组及整体人口的最小错误下界，以及刻画导致这些极端性能的 worst-case 分布。
引用
@article{arxiv.2602.11785,
title = {Safe Fairness Guarantees Without Demographics in Classification: Spectral Uncertainty Set Perspective},
author = {Ainhize Barrainkua and Santiago Mazuelas and Novi Quadrianto and Jose A. Lozano},
journal= {arXiv preprint arXiv:2602.11785},
year = {2026}
}