FAIRM：通过极小极大优化实现算法公平性和领域泛化的不变表示学习

文章提出了一种基于训练环境的FAIRM方法，具有公平性和域泛化特性。

FAIRM在弱分布假设下提供有限样本理论保证的实证结果。

开发了高效算法实现线性模型中的FAIRM，展示了非渐近性能。

通过合成数据和MNIST数据的实验评估FAIRM方法，证明其优越性。

机器学习方法通常假设测试数据与训练数据具有相同分布，但这一假设在多层异质性应用中可能不成立。

提出的公平经验风险最小化方法可以减少敏感信息的不公平影响。

最小化最大损失策略用于处理团体公平性，支持回归和分类设置。

不变风险最小化（IRM）算法在提高分类器公平性和准确性方面优于经验风险最小化方法。

FaiReg方法通过归一化技术最小化回归问题中的不公平影响。

FAIRIF算法通过样本权重实现不同人口群体的模型性能平衡。

算法公正与数据分布的关系，领域自适应方法可以减轻算法偏差。

研究分类问题中的公平性和准确性之间的权衡，提供下限结果。

基于经验风险最小化的算法将公平性约束融入学习问题中，表现优于最先进的方法。

最小二乘对抗框架解决受保护属性引起的潜在偏差问题，提供理论保证。

使用分布鲁棒优化方法培训机器学习模型以实现个体公平性。