跳转至

Fairness-aware Bayes optimal functional classification

讲者: Xiaoyu Hu
会场: Advances in Fair and Efficient Machine Learning
报告题目: Fairness-Aware Bayes Optimal Functional Classification
链接: arXiv
来源: JCSDS 2026 · 返回会议总览

一、领域脉络与小综述

这个方向是什么

这个子方向研究的是在公平性约束下的函数型数据分类问题。其根本的统计问题是：当特征空间是无限维的（如函数空间 \(L^2([0,1])\)）时，如何构造一个分类器，使其在满足某种群体间公平性约束（如机会均等、预测平等、人口统计平等）的前提下，最小化误分类风险。该方向当前处于萌芽阶段——本文是作者声称的“首次”将公平性引入函数型数据分类的工作。

发展脉络

  1. 奠基工作：函数型数据分类（无公平性约束）

    • Delaigle and Hall (2012)：首次系统研究了函数型数据分类中的“完美分类”现象，即当两类分布奇异时，误分类率可以趋近于零。这揭示了函数型数据分类与有限维分类的本质区别。
    • Berrendero et al. (2018)：利用再生核希尔伯特空间（RKHS）理论，为高斯过程下的函数型线性判别分析（FLDA）提供了理论基础，并给出了Radon–Nikodym导数的显式形式。这是本文最核心的统计工具来源。
    • Dai et al. (2017)：提出了基于密度比（density ratio）的贝叶斯最优分类器，为处理非高斯过程提供了近似思路。本文在Remark 1中将其列为处理不可解Radon–Nikodym导数的备选方案。

  2. 主要进展：有限维空间中的公平分类

    • Zeng et al. (2024a)：在有限维特征空间中，利用广义Neyman–Pearson引理，建立了线性公平约束下的贝叶斯最优分类器框架。这是本文最直接的前驱工作。作者明确指出，Zeng et al. (2024a) 的框架“strongly relies on posterior probabilities, which are unfortunately intractable in functional spaces”，从而点出了向函数空间推广的核心障碍。
    • Zeng et al. (2024b) 和 Hou and Zhang (2024)：进一步研究了有限维公平分类的极小极大最优性和有限样本保证，为本文的超额风险分析提供了对标。

  3. 当前Frontier与本文位置

    • 在本文之前，公平分类的研究几乎全部集中在有限维特征空间。函数型数据分类的理论（如超额风险控制）本身尚不完善，尤其是在特征函数未知的一般设定下。本文声称填补了这两个空白：首次将公平性约束引入函数型数据分类，并首次在特征函数未知的设定下给出了FLDA的超额风险控制（作为副产品）。

子线索聚类

  1. 函数型数据分类方法：包括基于投影（Delaigle and Hall, 2012; Kraus and Stefanucci, 2019）、Radon–Nikodym导数（Berrendero et al., 2018; Torrecilla et al., 2020）、主成分得分密度（Dai et al., 2017）和偏最小二乘（Preda et al., 2007）等方法。这一簇关注的是如何利用函数数据的无限维结构进行有效分类。
  2. 公平分类方法：包括预处理（Calmon et al., 2017; Johndrow and Lum, 2019）、处理中（Narasimhan, 2018; Celis et al., 2019; Cho et al., 2020）和后处理（Kim et al., 2019; Li et al., 2022）三大类。本文属于后处理方法。这一簇关注的是如何在分类器中引入并控制群体间差异。
  3. 函数型数据理论：包括特征函数估计（Hall and Horowitz, 2007; Dou et al., 2012）、函数型线性回归等。本文的理论分析大量借鉴了Hall and Horowitz (2007) 关于特征函数估计的经典结果。

核心问题与瓶颈

  • 核心问题：
    1. 如何在无限维空间中定义并计算公平性约束？
    2. 如何估计无限维空间中的Radon–Nikodym导数（或后验概率）？
    3. 如何量化公平性与准确性之间的权衡，并给出有限样本下的理论保证？
  • 已知瓶颈：
    • 后验概率不可解：在函数空间中，后验概率 \(P(Y=1|A=a, X=x)\) 通常没有闭式解，这使得直接推广Zeng et al. (2024a) 的框架变得困难。
    • 特征函数未知：当协方差算子的特征函数未知时，函数型分类的超额风险控制是一个未解决的问题。本文在引言中明确指出：“even without fairness constraints, the characterisation of excess risk for functional classification is unresolved in general settings with unknown eigenfunctions of the covariance operator.”
    • 完美分类现象：函数型数据特有的“完美分类”现象（当两类分布奇异时）会使得Radon–Nikodym导数不存在，从而挑战本文框架的适用性。作者在Remark 2中对此进行了讨论，并将其排除在主要理论分析之外。

⚠️ 作者的Framing

  • 作者如何frame缺口：作者将缺口frame为“现有公平分类方法（如Zeng et al., 2024a）依赖于后验概率，这在函数空间中不可解”，因此“需要一种新的、基于Radon–Nikodym导数的统一框架”。这使得本文成为“显然的下一步”。
  • 被淡化或回避的竞争路线：
    • 预处理方法：作者在引言中提到了预处理方法（Calmon et al., 2017; Johndrow and Lum, 2019），但并未深入讨论其在函数空间中的可行性。预处理方法（如修改训练数据）可能绕过后验概率估计的困难，但作者选择了后处理路线。
    • 非高斯过程：本文的核心算法Fair-FLDA严格依赖于高斯过程的假设。作者在模拟实验中测试了非高斯（均匀分布）情形，并声称算法仍然有效，但缺乏理论保证。这暗示了该框架的一个主要局限。
  • 什么明显该被引/该存在、却没出现在intro里？
    • 本文引用了Cai and Zhang (2019) 关于高维LDA的极小极大最优结果，但并未引用任何关于高维公平分类（如在高维稀疏设定下）的工作。这可能是一个值得研究者去查的线索：高维公平分类与函数型公平分类之间是否存在技术上的联系或可迁移性？
    • 本文引用了Wang et al. (2021) 关于函数型分类超额风险控制的工作，但该工作假设特征函数已知。本文声称在特征函数未知的设定下取得了进展，但并未引用任何关于函数型数据中特征函数估计的极小极大最优性的工作（如Hall and Horowitz, 2007 虽然被引，但主要是作为技术工具，而非作为理论基准）。这暗示了本文的理论结果可能不是最优的。

张力

未见明显对立引用。所有被引工作基本是互补的，共同构成了从有限维到无限维、从无公平到有公平的演进脉络。

二、最核心、最简单的例子 / 数学问题

第一步：符号、模型与可观测数据

  • 符号：

    • \(X \in L^2([0,1])\)：函数型特征，是随机过程的一个实现。
    • \(A \in \{0,1\}\)：敏感属性（如性别、种族）。
    • \(Y \in \{0,1\}\)：二分类标签。
    • \(f(x,a) = P(\hat{Y}_f = 1 | X=x, A=a)\)：随机化分类器，输出预测为1的概率。
    • \(R(f) = P(\hat{Y}_f \neq Y)\)：误分类风险。
    • \(D(f)\)：差异度量（disparity measure），如机会差异 \(DO(f)\)。
    • \(\delta \ge 0\)：公平性容忍度，要求 \(|D(f)| \le \delta\)。
    • \(f^*_{D,\delta}\)：\(\delta\)-公平贝叶斯最优分类器，即在 \(|D(f)| \le \delta\) 约束下最小化 \(R(f)\) 的分类器。
    • \(\eta_a(X) = dP_{a,1}/dP_{a,0}(X)\)：给定 \(A=a\) 时，标签 \(Y=1\) 相对于 \(Y=0\) 的Radon–Nikodym导数。这是本文的核心统计量。
    • \(\pi_{a,y} = P(A=a, Y=y)\)：联合概率。
    • \(\tau\)：阈值调整参数，用于在公平性和准确性之间权衡。
    • \(K_a(s,t)\)：给定 \(A=a\) 时的协方差函数（假设同方差，即 \(K_{a,0}=K_{a,1}=K_a\)）。
    • \(\{\lambda_{a,j}, \phi_{a,j}\}_{j=1}^\infty\)：\(K_a\) 的特征值和特征函数。
    • \(\theta_{a,y,j} = \langle \mu_{a,y}, \phi_{a,j} \rangle_{L^2}\)：均值函数在特征函数上的投影系数。
    • \(\zeta_{a,j} = \langle X, \phi_{a,j} \rangle_{L^2}\)：函数 \(X\) 在特征函数上的投影得分（主成分得分）。
    • \(n, \tilde{n}\)：校准数据和训练数据的样本量。

  • 模型：

    • 数据生成机制：\((X_i, A_i, Y_i) \overset{i.i.d.}{\sim} P\)。
    • 给定 \(A=a, Y=y\)，函数型特征 \(X\) 服从高斯过程：\(X | (A=a, Y=y) \sim GP(\mu_{a,y}, K_a)\)。这是一个同方差设定，即协方差函数 \(K_a\) 不依赖于 \(Y\)。
    • 假设 \(P_{a,1} \sim P_{a,0}\)（相互绝对连续），从而Radon–Nikodym导数 \(\eta_a\) 存在。这等价于要求均值差 \(\mu_{a,1} - \mu_{a,0}\) 属于由 \(K_a\) 生成的RKHS \(H(K_a)\)。

  • 可观测数据：

    • 研究者可以观测到 \(n\) 个独立同分布的样本 \(\mathcal{D} = \{(X_i, A_i, Y_i)\}_{i=1}^n\)，称为校准数据。
    • 此外，还有一个独立同分布的训练数据 \(\tilde{\mathcal{D}} = \{(\tilde{X}_i, \tilde{A}_i, \tilde{Y}_i)\}_{i=1}^{\tilde{n}}\)，用于估计模型参数（如均值、协方差、特征函数等）。
    • 不可观测的是潜在（counterfactual）结果，但本文不涉及因果推断，因此没有潜在结果框架。想要但观测不到的是真实的Radon–Nikodym导数 \(\eta_a(X)\) 和真实的类概率 \(\pi_{a,y}\)，它们只能通过训练数据估计得到。

第二步：最小内核

本文的核心思路可以浓缩为以下最简特例：

设定：假设只有一个敏感组（\(A=0\)），且特征 \(X\) 是标量（\(d=1\)），服从两个高斯分布：\(X|Y=0 \sim N(0,1)\)，\(X|Y=1 \sim N(\mu, 1)\)。我们关心的是机会均等（Equality of Opportunity），即要求 \(P(\hat{Y}=1|A=0, Y=1) = P(\hat{Y}=1|A=1, Y=1)\)。由于只有一组，这个约束退化为无约束。但为了展示公平性的作用，我们考虑一个更简单的约束：预测平等（Predictive Equality），即要求 \(P(\hat{Y}=1|A=0, Y=0) = P(\hat{Y}=1|A=1, Y=0)\)。同样，由于只有一组，这个约束也是平凡的。

为了看到公平性的实质，我们考虑一个两组的标量高斯特例： * 组0：\(X|Y=0 \sim N(0,1)\)，\(X|Y=1 \sim N(\mu_0, 1)\)。 * 组1：\(X|Y=1 \sim N(0,1)\)，\(X|Y=1 \sim N(\mu_1, 1)\)。 * 假设 \(\pi_{0,0} = \pi_{0,1} = \pi_{1,0} = \pi_{1,1} = 0.25\)。 * 我们施加人口统计平等（Demographic Parity）约束：\(P(\hat{Y}=1|A=0) = P(\hat{Y}=1|A=1)\)。

核心思路： 1. 无约束贝叶斯分类器：对于每组 \(a\)，最优分类器是阈值规则：如果 \(X > \mu_a/2\)，则预测 \(Y=1\)。这等价于比较似然比 \(\eta_a(X) = \exp(\mu_a X - \mu_a^2/2)\) 与阈值 \(\pi_{a,0}/\pi_{a,1}=1\)。 2. 公平性约束：人口统计平等要求两组的预测为正的比例相等。由于两组的分布不同，无约束分类器通常不满足此约束。 3. 广义Neyman-Pearson引理：本文的核心数学工具。它指出，在目标函数（误分类风险）和约束（差异度量）都是分类器 \(f\) 的线性函数时，最优解是一个阈值规则，但阈值被一个拉格朗日乘子 \(\tau\) 调整。 4. 调整后的阈值：对于人口统计平等，调整后的分类规则变为： * 组0：如果 \(\eta_0(X) > \frac{\pi_{0,0} + \tau b_{DD,0}}{\pi_{0,1} - \tau s_{DD,0}}\)，则预测 \(Y=1\)。 * 组1：如果 \(\eta_1(X) > \frac{\pi_{1,0} + \tau b_{DD,1}}{\pi_{1,1} - \tau s_{DD,1}}\)，则预测 \(Y=1\)。 * 其中 \(s_{DD,a}, b_{DD,a}\) 是人口统计平等差异度量的系数（见Proposition 1）。 5. 寻找最优 \(\tau\)：\(\tau\) 的选择决定了公平性与准确性的权衡。\(\tau=0\) 对应无约束分类器。随着 \(|\tau|\) 增大，公平性约束被更严格地满足，但误分类风险增加。最优的 \(\tau^*_{D,\delta}\) 是使得 \(|D(\tau)| \le \delta\) 的最小 \(|\tau|\)。

在这个标量高斯特例下： * Radon–Nikodym导数 \(\eta_a(X)\) 有显式形式。 * 调整后的阈值可以解析地写出。 * 误分类风险 \(R(f^*_{D,\delta})\) 可以用正态累积分布函数 \(\Phi\) 显式表达（见Proposition 4）。 * 证明的核心是验证目标函数和约束的线性性，然后应用广义Neyman-Pearson引理。

本文的一般情形：将这个标量高斯特例推广到： 1. 无限维函数空间：用Radon–Nikodym导数 \(\eta_a(X)\) 替代后验概率，其在高斯过程下也有显式形式（涉及无穷级数）。 2. 未知参数：均值、协方差、特征函数都需要从训练数据中估计，这引入了估计误差，是理论分析的主要难点。 3. 截断：由于特征值衰减，实践中只使用前 \(J\) 个主成分得分来近似 \(\eta_a(X)\)，这引入了截断偏差。

三、这篇论文做了什么

三句话

  1. 研究了什么问题：在函数型数据（高斯过程）的二分类问题中，如何构造一个满足给定公平性约束（如机会均等、人口统计平等）的贝叶斯最优分类器，并量化公平性与准确性之间的权衡。
  2. 核心工具/方法：利用广义Neyman–Pearson引理，将公平约束下的最优分类问题转化为一个单参数（\(\tau\)）的阈值调整问题，并提出了一个后处理算法Fair-FLDA，该算法通过估计Radon–Nikodym导数并基于校准数据选择最优阈值来实现公平性。
  3. 主要结论：提出了一个统一的公平函数分类框架；设计了Fair-FLDA算法并给出了其公平性（Theorem 3）和超额风险（Theorem 5, Corollary 6）的有限样本理论保证；作为副产品，首次在特征函数未知的设定下给出了标准FLDA的超额风险控制。

关键设定与假设

  • 设定：二分类（\(Y \in \{0,1\}\)），二元敏感属性（\(A \in \{0,1\}\)），函数型特征 \(X \in L^2([0,1])\)。分类器是随机化的，输出预测为1的概率。
  • 核心假设：
    • Assumption 1 (类概率)：\(\pi_{a,y}\) 有界且远离0和1。这确保了每个组-标签组合都有足够的样本。
    • Assumption 2 (高斯过程)：
      • a. 协方差函数：特征值以多项式速率衰减（\(\lambda_{a,j} \asymp j^{-\alpha}, \alpha>1\)），且特征值间隙足够大。这是函数型数据分析中的标准假设，用于保证特征函数可估计。
      • b. 信噪比：\(\|\mu_{a,1} - \mu_{a,0}\|_{K_a}^2 \ge C_K > 0\)。这排除了平凡分类（随机猜测）的情形。
      • c. 均值差：均值差在特征函数上的投影系数以速率 \(j^{-\beta}\) 衰减，且 \(\beta > (\alpha+1)/2\)。这保证了均值差属于RKHS（即Radon–Nikodym导数存在），并控制了截断偏差。
    • 与已有文献的比较：相比Zeng et al. (2024a)，本文的假设更侧重于函数空间的特性（如特征值衰减、均值差与特征空间的匹配），而非有限维的稀疏性假设。相比Wang et al. (2021)，本文放宽了“特征函数已知”的假设，但增加了对特征值衰减和均值差衰减的假设。

主要结果

  1. Theorem 2 (公平贝叶斯最优分类器)：对于任何双线性差异度量 \(D\)，\(\delta\)-公平贝叶斯最优分类器 \(f^*_{D,\delta}\) 具有阈值形式（公式6），其阈值由参数 \(\tau^*_{D,\delta}\) 决定。\(\tau^*_{D,\delta}\) 是使得 \(|D(\tau)| \le \delta\) 的最小 \(|\tau|\)。直觉：公平性通过调整每组分类器的阈值来实现，调整幅度由 \(\tau\) 控制。必要条件：Radon–Nikodym导数 \(\eta_a(X)\) 是连续随机变量。解决的技术难点：将无限维空间中的约束优化问题转化为一维参数搜索问题。

  2. Theorem 3 (公平性保证)：Fair-FLDA算法输出的分类器 \(\hat{f}_{D,\delta}\) 满足，以至少 \(1-\eta\) 的概率，其真实差异 \(|D(\hat{f}_{D,\delta})| \le \delta + O(\sqrt{\log(1/\eta)/n})\)。直觉：校准步骤保证了经验差异被控制在 \(\delta\) 以下，而经验差异与真实差异的偏差由校准数据量 \(n\) 控制。必要条件：校准数据量 \(n\) 足够大。

  3. Theorem 5 & Corollary 6 (超额风险控制)：在额外假设下（如 \(D(0)\) 不接近 \(\delta\)，\(D\) 在 \(\tau^*\) 附近足够陡峭），Fair-FLDA的超额风险 \(|R(\hat{f}_{D,\delta}) - R(f^*_{D,\delta})|\) 可以被分解为公平感知超额风险 \(dE\) 和差异成本 \(|\tau^*_{D,\delta}| \cdot O(\sqrt{\log(1/\eta)/n})\)。Corollary 6 针对机会均等（DO）给出了显式的收敛速率，该速率由特征值衰减参数 \(\alpha\)、均值差衰减参数 \(\beta\) 和样本量 \(N\) 决定。直觉：公平性的代价（\(|\tau^*_{D,\delta}|\) 项）与校准误差同阶，而估计Radon–Nikodym导数的代价（\(dE\) 项）则体现了函数型数据特有的偏差-方差权衡。必要条件：训练数据量 \(\tilde{n}\) 和校准数据量 \(n\) 都需足够大，且截断参数 \(J\) 的选择需平衡偏差和方差。

证明路线与技术技巧

  • 整体路线：

    1. 线性化：证明误分类风险 \(R(f)\) 和双线性差异度量 \(D(f)\) 都是分类器 \(f\) 的线性泛函（Lemma 8, Proposition 1）。
    2. 广义Neyman-Pearson引理：应用该引理，将带线性约束的线性目标优化问题转化为一个单参数（拉格朗日乘子 \(\tau\)）的阈值规则问题（Theorem 2）。
    3. 估计：用训练数据 \(\tilde{\mathcal{D}}\) 估计Radon–Nikodym导数 \(\hat{\eta}_a\) 和类概率 \(\hat{\pi}_{a,y}\)。这涉及均值函数、协方差函数、特征值和特征函数的估计。
    4. 校准：用校准数据 \(\mathcal{D}\) 估计经验差异 \(\hat{D}(\tau)\)，并选择使 \(|\hat{D}(\tau)| \le \delta\) 的最小 \(|\tau|\) 作为 \(\hat{\tau}_{D,\delta}\)。
    5. 误差分解：将超额风险分解为估计 \(\hat{\eta}_a\) 和 \(\hat{\pi}_{a,y}\) 的误差、选择 \(\hat{\tau}\) 的误差以及校准误差。
    6. 概率控制：对每一步的误差建立高概率上界，最终通过Union Bound得到总误差的控制。

  • 关键跳跃点：

    • 从有限维到无限维：将Zeng et al. (2024a) 的后验概率替换为Radon–Nikodym导数。这个跳跃的难点在于，后验概率在函数空间中通常没有闭式解，而Radon–Nikodym导数在高斯过程下有显式形式。作者巧妙地利用了这一点。
    • 特征函数未知时的超额风险控制：这是本文最吃劲的部分。作者需要同时控制估计均值、协方差、特征值和特征函数带来的误差。证明中大量使用了Hall and Horowitz (2007) 和 Dou et al. (2012) 关于特征函数估计的引理，并在此基础上发展了对Radon–Nikodym导数估计误差的控制（Lemma 12, 18-29）。

  • 技术技巧点名：

    • 广义Neyman–Pearson引理：核心工具，用于推导最优分类器的形式。
    • Radon–Nikodym导数：替代后验概率，是处理无限维特征空间的关键。
    • 特征函数估计理论：大量使用Hall and Horowitz (2007) 的引理（Lemma 45）和Dou et al. (2012) 的引理（Lemma 43），用于控制特征值和特征函数的估计误差。
    • 经验过程/Dvoretzky–Kiefer–Wolfowitz (DKW) 不等式：用于控制经验差异 \(\hat{D}(\tau)\) 与真实差异 \(D(\tau)\) 的一致偏差（Theorem 3 证明）。
    • 次高斯/次指数随机变量理论：用于控制各种估计量的尾部概率（如Lemma 39, 40）。
    • Bernstein不等式：用于控制协方差函数投影的估计误差（Lemma 36）。
    • Union Bound：贯穿始终，用于组合多个高概率事件。

真实例子与应用

  • 模拟数据：

    • 数据生成：根据设定的类概率和敏感属性分布生成 \((A,Y)\)，然后根据高斯过程生成函数型特征 \(X\)。均值差和协方差函数由参数 \(\alpha, \beta\) 控制。
    • 方法应用：将训练数据随机分成两半，一半用于估计模型参数，另一半用于校准阈值。采用交叉拟合（cross-fitting）来减少随机分割的影响。截断参数 \(J\) 通过5折交叉验证选择。
    • 结果：展示了Fair-FLDA和Fair-FLDAc（带校准常数）在不同 \(\delta\) 下的分类误差和差异度量。与无约束的FLDA对比，验证了算法能有效控制差异，且分类误差随 \(\delta\) 增大而减小，最终收敛到FLDA的水平。Fair-FLDAc能更严格地控制差异的95%分位数。
    • 目的：验证理论结果（Theorem 3, Corollary 6），展示算法在不同参数（样本量 \(n\)，均值差对齐 \(\beta\)）下的表现，并测试对非高斯过程的鲁棒性。

  • 真实数据：

    • 数据：2005-2006年NHANES数据。响应变量 \(Y\) 是年龄是否大于50岁或小于20岁，函数型特征 \(X\) 是强度值的分位数函数，敏感属性 \(A\) 是种族（非西班牙裔白人与非西班牙裔黑人）。
    • 方法应用：与模拟数据相同的流程。
    • 结果：FLDA表现出显著的不公平性，而Fair-FLDA能有效控制中位差异。Fair-FLDAc在机会均等（DO）约束下，95%分位数略有超标，作者建议通过调整校准参数 \(\kappa\) 来改进。
    • 目的：展示算法在真实世界复杂数据中的实用性，并指出实际应用中可能需要进一步调参。

🔎 结论是否比证明窄

  • 是。作者在Corollary 6.2中给出的最优截断水平 \(J\) 和相应的收敛速率，是在假设 \(n \asymp \tilde{n} \asymp N\) 且忽略对数因子的情况下得到的。这比Theorem 5的一般性结论要窄。
  • 作者在Theorem 5的陈述中，对差异度量 \(D\) 施加了额外的假设（如 \(D(0)\) 不接近 \(\delta\)，\(D\) 在 \(\tau^*\) 附近足够陡峭）。这些假设在Corollary 6中针对机会均等（DO）被验证成立，但对于一般的双线性差异度量，是否总是成立并未被证明。作者在Theorem 5的陈述中写道：“We remark that when D is explicitly given, both of the above assumptions can be verified in most of the cases”，这是一种泛化的claim，而非严格的证明。
  • 作者在Remark 2中讨论了完美分类情形，并声称“the FLDA classifier in (2) is automatically fair when the disparity measure D ∈ {DO, PD}”，但并未给出严格证明，仅以“Further insights into the phenomenon of automatic fair are supported by numerical experiments”带过。这暗示了理论分析的一个缺口。

四、开放问题

  1. 非高斯过程的扩展：本文的核心算法Fair-FLDA严格依赖于高斯过程的假设。作者在模拟实验中测试了均匀分布情形并声称算法有效，但缺乏理论保证。扎根点：Remark 1提到“In the cases when dPa,1/dPa,0 is not tractable, there are ample tools for its approximation”，但并未给出任何理论结果。一个开放问题是：对于一般的非高斯过程，如何设计并分析公平分类算法？其收敛速率是否会变慢？

  2. 敏感属性不可用时的推断：本文假设敏感属性 \(A\) 在训练和预测时都可用。但在实际中，由于隐私原因，\(A\) 可能在预测时不可用。扎根点：Conclusion部分提到“When sensitive features A are available during training but not available during prediction, one possible way to address this challenge is to predict A from the functional features”。一个开放问题是：如何从函数型特征 \(X\) 中推断敏感属性 \(A\)，以及这种推断误差会如何影响最终的公平性和准确性？

  3. 离散观测与稀疏采样：本文假设函数型数据 \(X\) 是连续观测的。但在实际中，函数通常是在离散网格上观测的，且可能存在稀疏采样。扎根点：Conclusion部分提到“In reality, functions can only be discretely observed over sampling grids. Investigating the effect of sparsity on the excess risk under fairness constraints remains an intriguing area for further investigation.” 一个开放问题是：离散观测和稀疏采样会如何影响特征函数估计和Radon–Nikodym导数估计的精度，进而影响公平分类的理论保证？

  4. 完美分类与自动公平的严格刻画：作者在Remark 2中讨论了完美分类情形下的自动公平现象，但仅给出了数值实验支持，缺乏严格的理论证明。扎根点：Remark 2中“We remark that in this paper, we restrict our theoretical analysis to the more challenging regime of imperfect classification... Further insights into the phenomenon of automatic fair are supported by numerical experiments presented in Appendix A.3.” 一个开放问题是：在完美分类（即两类分布奇异）的设定下，公平性约束是否总是自动满足？如果是，其背后的数学条件是什么？如果不是，何时会失效？

Maintained by 陈星宇 · Homepage · Source on GitHub

评论