致 Equitable Recovery：面向孟加拉国后洪水援助的公平性感知 AI 框架

后灾难援助分配在发展中国家常常存在系统性偏见，导致弱势地区受到不公平对待，延续历史性不公平。本文提出了一个面向孟加拉国后洪水援助分配的公平性感知人工智能框架，该国因 recurring（ recurring）洪涝灾害高度易受影响。我们使用2022年孟加拉国洪水导致720万人受灾、造成4.055亿美元损失的真实数据，开发了一个对抗去偏模型，用于预测洪涝脆弱性，同时主动消除对边缘地区和农村地区的偏见。我们的方法借鉴了 healthcare AI 中的公平性感知表征学习技术，用于灾害管理，采用梯度反转层，迫使模型学习偏见不变的表征。针对11个地区87个upazila的实验结果表明，我们的框架将统计公平性差异降低41.6%，降低地区公平性差距43.2%，并保持强大的预测准确性（R-squared=0.784 vs baseline 0.811）。该模型生成可操作的优先级排名，确保援助到达基于真实需求而非历史分配模式的 最弱势人群。本工作表明，算法公平性技术可被有效应用于人道主义情境，为决策者提供工具，以实施更公平的灾后恢复策略。