通过将公平视为对称操作来检测和减轻偏差

arXiv:2606.06514v1 公告类型：新 摘要：部署在高风险社会经济环境中的机器学习系统通常会表现出偏见。我们将偏差形式化为对称破坏操作：如果分类器的输出在切换敏感属性的反事实操作下保持不变，并且优点特征保持固定，则分类器是公平的。我们实现基于损失的正则化作为对称恢复机制，并在四个具有不同噪声、相关性和偏差水平的合成数据集上评估该框架。该框架实现了 90% 以上的违规减少，准确率成本降低了 5% 左右。该框架不需要因果图知识，计算量轻，并且可推广到任何可定义为位翻转的敏感属性，使其适合主流基准中不存在本地歧视源的情况。