多敏感属性公平审计新突破：联合Wasserstein差异精确分解，Shapley归因揭示交叉性盲区！
Multi-Sensitive Distributional Fairness: Joint Wasserstein Audits and Shapley Allocation
📖 AI 总结
该研究针对多敏感属性公平性审计中逐坐标分析可能遗漏纯交叉性差异的问题，提出基于一维Wasserstein几何的分布性人口平价框架。作者区分了两类审计构造：条件与序贯审计虽可通过零集刻画联合平价，但其正值一般无法分解固定的联合Wasserstein差异；而全单元条件分位函数定义了希尔伯特值随机变量，其方差即为联合差异。对该分位过程取条件期望可诱导单调信息博弈，任意揭示顺序均给出同一联合差异的精确鞅分解，Shapley值则提供不依赖顺序的归因。在敏感属性独立时，该博弈退化为Hoeffding-ANOVA分解，Shapley将交互能量均分给成员；在相依情形下正交性丧失，显式公式揭示边际审计可能掩盖的抑制与冗余效应。研究给出固定网格估计量与置换校准，并在合成数据及ACSIncome上验证，将联合平价是否成立、固定差异沿信息路径如何分解、以及如何无顺序偏好地归因于各敏感坐标这三个常被混淆的问题清晰分离。
🔑 关键词速览
| Wasserstein几何 | 一种基于最优传输的度量几何，用于比较概率分布，在公平性审计中量化分布差异。 |
| 分布性人口平价 | 公平性准则，要求评分在不同敏感群体间的分布相同，而不仅是均值相等。 |
| Shapley值 | 合作博弈论中的概念，用于公平分配每个参与者对总收益的贡献，此处用于归因敏感属性对差异的贡献。 |
| Hoeffding-ANOVA分解 | 一种将函数方差分解为各变量主效应和交互效应的方法，在独立敏感属性下简化博弈。 |
| 鞅分解 | 将随机过程分解为可预测部分和鞅部分，此处用于沿信息路径精确分解联合差异。 |
📱 每天一份 AI 前沿日报
关注公众号，每天 09:00 推送 · 不错过任何重磅