排名公平性：无需保护属性的随机化鲁棒性
原文中文，约300字，阅读约需1分钟。发表于：。我们提出了一种用于后处理排名的随机方法，不需要受保护属性的可用性，通过广泛的数值研究，我们展示了我们的方法在 P-Fairness 和与基线排名的标准化折现累积增益 (NDCG) 方面的稳健性和有效性，并改进了之前提出的方法。
本研究比较了基于属性、容忍噪声和盲目属性的公平分类算法在预测性和公平性方面的表现。通过真实数据集和合成扰动的案例研究，发现在受保护属性存在噪声的情况下，盲目属性和容忍噪声的公平分类器可能实现与基于属性的算法类似的性能水平。然而，在实践中需要谨慎处理。该研究为在受保护属性存在噪声或部分可用的场景中使用公平分类算法提供了实践的启示。
