查看“WikiEdge:ArXiv-2409.02471v1/background”的源代码

<div style="float: right;">[{{fullurl:WikiEdge:ArXiv-2409.02471v1/background|action=edit}} 编辑]</div>
这篇文献的背景主要集中在以下几个方面：
# '''[[算法公平性]]的重要性'''：
#* 随着[[人工智能]]技术的快速发展，[[机器学习]]算法在社会中扮演着越来越重要的角色。然而，这些算法可能会在决策过程中无意中加剧或延续数据集中存在的社会偏见和歧视。
#* [[算法公平性]]旨在通过量化和减轻算法的不公平影响来解决这一问题，包括个体公平性和群体公平性等不同的方法。
# '''[[统计公平性]]与[[人口平等]]'''：
#* [[统计公平性]]是群体公平性的一种形式，它侧重于确保算法预测与敏感属性（如[[种族]]、[[性别]]等）无关。
#* [[人口平等]]标准要求预测结果在不同群体间具有统计独立性，尽管存在一些已知的局限性，但它在多种场景中得到了广泛应用。
# '''[[不知情框架]]下的公平回归问题'''：
#* 在[[不知情框架]]中，算法在做出预测时不能直接使用敏感属性，这增加了实现[[算法公平性]]的难度。
#* 本文探讨了在[[不知情框架]]下，如何在满足[[人口平等]]约束的同时，找到最优的[[公平回归]]函数，特别是在最小化[[二次损失]]的情况下。
# '''[[公平分类]]与[[回归]]之间的关系'''：
#* 研究还探讨了在[[不知情框架]]下，[[公平分类]]和[[回归]]问题之间的关系，特别是在决策集的嵌套性方面。
#* 通过分析，作者揭示了在特定条件下，最优的[[公平分类器]]可以通过对最优[[公平回归]]函数应用阈值来获得，反之亦然。
综上所述，这篇文献的背景强调了在[[不知情框架]]下实现[[算法公平性]]的重要性和挑战，特别是在[[公平回归]]和[[分类]]问题中，以及如何通过[[数学建模]]和[[理论分析]]来解决这些问题。