sgr-interview-300

第 177 题：公平性约束，人口统计均等 vs 机会均等？

题目

公平性约束，人口统计均等 vs 机会均等？

完整讲解

一、公平性的两种视角

人口统计均等（Demographic Parity）：不同群体（如性别、种族）获得正结果的比例相同，即 $P(\hat{Y}=1

A=a) = P(\hat{Y}=1

A=b)$。不关心个体是否「该得」正结果，只关心群体间比例一致。机会均等（Equalized Odds）：在真实标签相同的前提下，不同群体的正例率、假阳率一致，即 $P(\hat{Y}=1

Y=y,A=a) = P(\hat{Y}=1

Y=y,A=b)$，既控误报也控漏报。

二、区别与取舍

人口统计均等：实现简单、易审计，但可能牺牲效用：若某群体本身正例率低，强行拉齐正结果比例会带来大量误报或对另一群体不公平。机会均等：与真实表现挂钩，更符合「同能力同机会」的直觉，但要求有真实标签、约束更强，满足难度更大。
推荐场景：可类比为「曝光/点击率」的群体均等（类似人口统计均等）与「在同样相关性下曝光/点击率」均等（类似机会均等）；需结合业务定义「公平」并选指标。

三、实现思路

在损失中加公平性正则（如群体间比例差的惩罚）、后处理（调阈值使各群体满足约束）、训练时约束（如对抗去偏、重加权）；评估时报告各群体的指标与公平性指标。

面试要点

能准确区分人口统计均等（群体正结果比例相同）与机会均等（同真实标签下预测表现相同）。
能说明二者取舍：人口统计均等易实现但可能损效用；机会均等更合理但约束强、需标签。
能简述实现方式：公平性正则、后处理调阈值、训练约束；推荐中可类比曝光/点击的群体均等。

记忆要点

人口统计均等：$P(\hat{Y}=1 A)$ 同；机会均等：$P(\hat{Y}=1 Y,A)$ 同。
前者易实现可能损效用，后者更合理但需标签、约束强；实现：正则、后处理、训练约束。