公平分类的福利与分配效应

当前机器学习方法主要在预测准确性和供应商效用损失方面分析各种统计奇偶性公平概念的影响。在本文中，我们提出了一个新的框架，通过将约束损失最小化问题转化为社会福利最大化问题来解释公平准则的影响。这一转换将分类器及其输出移入效用空间，在该空间中，由于分类分配，个体、群体和整个社会会经历不同的福利变化。在此刻画下，预测和公平约束被视为塑造社会福利与分配，并揭示个体在社会中隐含的福利权重——这些权重随后可通过公平性视角加以解释。公平问题的社会福利表述凸显了分配正义的关切，这些关切在标准算法公平方法中始终具有核心但更为隐含的作用。