规范性证明何在？机器学习公平性研究中的假设与矛盾

在机器学习的各个子学科中，研究者做出数学假设以方便证明的书写。尽管此类假设对于提供算法行为的数学保证是必要的，它们也必然限制了这些算法在不同问题设定中的适用性。这一做法在机器学习研究中是已知的——事实上显而易见——且被接受。然而，支撑这项工作的规范性假设并未受到类似关注。我认为此类假设同样重要，尤其在具有明确社会影响的机器学习领域，如公平性。这是因为，类似于数学假设限制适用性，规范性假设也限制了算法在某些问题域中的适用性。我表明，在已发表于顶级会议期刊的现有论文中，一旦规范性假设被澄清，往往可能得到不清晰或矛盾的结果。尽管数学假设与结果是可靠的，隐含的规范性假设及伴随的规范性结果 contraindicate（禁忌）将这些方法用于实际公平性应用。