朝向无害的罗尔斯公平性：无视人口统计先验

由于隐私和安全方面的担忧，近期群体公平性的发展倡导在训练中不考虑人口统计信息。然而，大多数方法仍然需要人口统计方面的先验知识。本研究中，我们探索了在不提供任何人口统计先验的情况下实现公平性而不损害其效用的可能性，即''无害罗尔斯公平性''。我们确认，这种无先验人口统计信息的公平性要求本质上促使训练损失呈现狄拉克δ分布。为此，我们提出了一种简单而有效的方法 VFair，用于最小化经验损失最优集内训练损失的方差。随后，通过定制的动态更新方法在损失和梯度两个维度上对该问题进行优化，引导模型趋向相对更公平的解，同时保持其完整的效用。我们的实验结果表明，回归任务（文献中相对未被充分探索）可以通过 VFair 在任何先验下实现显著的公平性提升，而分类任务通常无法做到这一点，原因在于其效用测量的离散化。我们的方法实现已公开发布于 \url{https://github.com/wxqpxw/VFair}。