在哪里干预？不同差异性私有合成表格数据上的公平性感知学习基准测试

机器学习模型越来越多地部署在高风险领域，引发了对隐私和公平性的担忧。差分隐私（DP）已成为隐私保护数据分析的黄金标准，而公平性机制旨在缓解对代表性不足群体的歧视。然而，这些目标可能存在冲突：DP往往会放大不同人口群体之间的差异，而且关于公平性干预在DP约束下是否仍然有效知之甚少。在本工作中，我们首次系统评估了差异性私有合成表格数据上的公平性干预。我们的基准测试以自适应迭代机制（AIM）为核心，该机制被确定为最先进的边际型DP合成器（Cormode等，2025年）。因此，我们在四个数据集上评估公平性干预，使用多种公平性指标和三种缓解策略（预处理、内部处理和后期处理），并在广泛的隐私预算范围内进行比较。我们评估了四种流水线配置：（基线）在原始数据上训练；（仅DP）在DP合成数据上训练；（仅公平性）在原始数据上应用公平性机制；（DP+公平）结合公平性机制与DP合成数据。我们的结果表明，虽然DP单独可能损害效用和公平性，但应用公平性干预可以部分恢复公平结果。其中，后处理方法的公平性-效用权衡在不同隐私预算和合成器之间更为稳定，在保持竞争性效用的同时实现强大的公平性改进。我们将所有代码、数据和实验产物发布在开源仓库中，以确保完全可重复性，并支持未来关于隐私-公平性-效用权衡的研究。