知识迁移的双刃剑：诊断与治疗跨域推荐中的公平性病态

跨域推荐（Cross-domain Recommendation, CDR）通过利用源域中的辅助信号，在目标域中提高推荐质量，但随之而来的是潜在的群体层面不公平问题。本文通过系统的理论与实证分析，揭示这些公平性问题的根源。具体而言，我们识别出两个关键挑战：（i）跨域差异传递（Cross-Domain Disparity Transfer），即源域中现有的群体层面差异被系统性地传递到目标域；（ii）跨域信息增益不公平（Unfairness from Cross-Domain Information Gain），即从跨域知识中获得的收益在不同群体之间分配不均。为解决这两个挑战，我们提出了跨域公平性增强框架（Cross-Domain Fairness Augmentation, CDFA），其包含两个关键组件。首先，通过自适应整合无标签数据来平衡不同群体之间训练信号的 informative 程度，从而缓解跨域差异传递。其次，采用信息论方法来重新分配跨域信息增益，以确保不同群体之间获得公平的收益。大量实验表明，我们的框架在不牺牲整体推荐性能的前提下，显著降低了跨域推荐中的不公平性，甚至能够提升整体性能。