FAIR-SHEPHERD：超越统计均等迈向结构对齐的公平性

《ACM Journal on Responsible Computing》：FAIR-SHEPHERD: Fairness beyond Statistical Parity toward Structural Alignment

　　所有公平算法都不可避免地依赖于关于公平待遇的规范性假设，但这些假设往往是隐含的。我们认为，这些假设应该被正式化为明确、可审计的策略，并提出了 FAIR-SHEPHERD，这是一个基于结构策略的框架，旨在实现现实场景中（带有噪声标签和分布漂移）的透明公平性。FAIR-SHEPHERD 使用梯度作为归因信号，编码在《结构公平规范》（SFS）中，定义了垂直一致性与脆弱代理的正交性。我们引入了 SFS 指标：垂直一致得分（VCS），用于衡量相邻规范性切片之间的方向一致性；以及水平泄漏得分（HLS），并通过带符号的方向变体进行增强，用于检测梯度与策略声明的脆弱或代理方向的对齐情况。为执行这些策略，我们开发了 S-无关工具，使用格定义的代理来优化策略对齐的梯度目标。我们证明，基于结果的审计对测量误差很脆弱：在 Adult 数据集上，10% 的标签噪声下，ERM 的最差组 AUC 下降了 0.159。相比之下，我们的基于梯度的结构指标提供了与标签无关的决策逻辑审计，即使在评估标签被损坏的情况下仍然保持稳定。包括 ARL、JTT 和 GoG 在内的专门公平性基线在 COMPAS 上保留了大量结构泄漏，HLS 值从约 0.47 到 0.71 不等。其中一些还降低了相对于 ERM 的 EOD，这表明结果标准和结构标准可能会出现偏差。使用我们的 S-无关梯度惩罚工具，我们将 COMPAS 上策略指定的结构泄漏减少了约 85%（0.478 → 0.073），在 Adult 上减少了 94% 以上（0.138 → 0.008），同时保持了有竞争力的 AUC 和最差组 AUC。我们已发布了源代码以促进进一步研究。