揭示统计均等与均等化几率之间的（不）兼容性
机器学习
2026-01-28 v1
摘要
使用数据、算法和数据驱动系统的一个关键挑战是遵守公平和正义的原则。统计公平度量属于检测数据和算法中公平性问题的一类重要的技术/形式化机制。在这项贡献中，我们研究了两种统计公平度量之间的关系，即统计均等(Statistical-Parity)和均等化几率(Equalized-Odds)。统计均等度量不依赖于拥有真实标签，即（客观）标记的目标属性。这使得统计均等在实践中成为评估数据和数据分类算法公平性的合适度量。因此，统计均等被许多法律和专业框架采纳用于评估算法公平性。相反，均等化几率度量依赖于拥有（可靠的）真实标签，这在实践中并不总是可行的。尽管如此，在几种情况下，应满足均等化几率的定义，以在敏感社会群体之间实现错误预测均等。我们提出了一种新颖的分析，根据敏感群体的基础比率，研究统计均等和均等化几率之间的关系。该分析直观地展示了基础比率不平衡如何以及何时导致统计均等和均等化几率度量之间的不兼容性。因此，我们的方法为在实践中如何设计这些度量之间的权衡提供了见解。此外，基于我们的结果，我们呼吁在强制执行或依赖统计均等标准之前，检查基础比率的（不）平衡性并调查这种不兼容性的可能性。我们预见，所提供的见解可能会引发改进或调整当前实践和/或现有法律框架的倡议。
引用
@article{arxiv.2601.19035,
title = {Unravelling the (In)compatibility of Statistical-Parity and Equalized-Odds},
author = {Mortaza S. Bargh and Sunil Choenni and Floris ter Braak},
journal= {arXiv preprint arXiv:2601.19035},
year = {2026}
}