直接优化非线性回归的平均人口统计均等性

arXiv:2607.05098v2 发布类型：替换 摘要：我们关注这样的回归场景：公平性目标是使敏感属性不同取值对应的平均预测值相等，这一标准称为平均人口统计均等性。直接优化这一标准很困难，因为它依赖于一个未知且会在训练过程中发生变化的条件均值。常见的依赖性惩罚方法和对抗方法并不估计该条件均值，而是将预测结果推向完全独立。即使平均预测值已经相等，这种更强的约束也可能降低准确率。现有的条件均值方法仅适用于线性预测器或低维敏感属性。我们通过使用 DPVar 实现对平均人口统计均等性的直接优化；DPVar 是一种公平性度量，定义为条件均值预测的方差。由于必须随着预测器的变化估计条件均值，优化 DPVar 会形成一个函数型双层问题。我们开发了两种求解器：FBO 使用闭式超梯度，而迭代微分（ITD）求解器则通过对条件均值估计器的更新过程进行微分来求解。不同于以往的条件均值方法，我们的方法适用于非线性预测器和高维连续敏感属性。在一个由 21 个表格回归数据集和 Communities & Crime 数据构建的半合成基准测试中，FBO 和 ITD 获得了不逊于或优于现有方法的准确率-DPVar 权衡。