基于Wasserstein投影距离的回归模型公平性测试
机器学习
2026-02-11 v2
摘要
公平性测试评估模型是否在不同组之间满足指定的公平性标准，但大多数研究聚焦于分类模型，导致回归模型的公平性测试不足。本文引入一个用于回归模型公平性测试的框架，利用Wasserstein距离对数据分布进行投影，关注基于期望的公平性准则。 upon对回归模型的公平性准则进行分类，我们从对偶重构中推导出Wasserstein投影检验统计量，并推导渐近界限和极限分布，从而形成假设检验程序和最优数据扰动方法，以在保持精度的同时改善公平性。合成数据的实验表明，所提假设检验方法在特异性方面优于置换基方法。为说明其潜在应用，我们在两个案例研究中应用该框架，显示(1)在学生表现数据上跨多个模型出现的统计显著性性别差异，(2)在影响房价数据的多个公平性准则下，污染区域之间存在显著的不公平，尽管不同组划分方式而言，特征层面的分析识别了空间和社会经济驱动因素。
关键词
引用
@article{arxiv.2510.04114,
title = {Wasserstein projection distance for fairness testing of regression models},
author = {Wanxin Li and Yongjin P. Park and Khanh Dao Duc},
journal= {arXiv preprint arXiv:2510.04114},
year = {2026}
}