9.3.2 公平性辩论

文档摘要

9.3.2 公平性辩论公平性不是模型输出的一道装饰性滤镜，而是一组可测量、可干预、可验证的约束条件——它必须像正则项一样被嵌入损失函数，像归一化层一样被插入前向传播路径，像梯度裁剪一样被施加于反向更新过程。当我们在“9.3.2 公平性辩论”这一节驻足，并非为了复述“算法不应歧视”的道德箴言，而是要亲手拧紧那几颗真正影响决策边界的螺丝：如何把“对不同群体的预测分布应尽可能一致”这一抽象主张，翻译成 PyTorch 中调用前的一次？如何让一个原本只关心交叉熵的分类器，在训练第 17 个 epoch 时，突然开始在意亚裔申请者与拉丁裔申请者在信用评分阈值上的假正率差异？