通过混合整数优化实现交叉公平性

arXiv:2601.19595v2 公告类型：替换 摘要：在金融和医疗等高风险领域部署人工智能，需要模型兼具公平性和透明性。尽管包括欧盟《人工智能法案》在内的监管框架要求缓解偏差，但它们刻意对偏差的定义保持模糊。与现有研究一致，我们认为，真正的公平性需要解决受保护群体交叉处的偏差。我们提出了一个统一框架，利用混合整数优化（MIO）训练具有交叉公平性和内在可解释性的分类器。我们证明了两种交叉公平性度量（MSD 和 SPSF）在检测最不公平子群体方面的等价性，并通过实证表明，我们基于 MIO 的算法提升了发现偏差的性能。我们训练出高性能、可解释的分类器，将交叉偏差限制在可接受的阈值以下，为受监管行业及其他领域提供了稳健的解决方案。