研究提出公平约束下贝叶斯最优错误率的软标签估计方法

Mohit Sharma 等人在一篇 NeurIPS 2026 接收的 arXiv 论文中提出估计公平分类中公平性-精度权衡基本极限的方法：给定公平性约束（不同人口群体间 true positive rate 相等或近似相等）下可达到的最优错误率。论文推导了公平贝叶斯错误率的显式表达式，并仅用软标签和群体信息构造了一致的、无需实例的估计器。 该方法回答的问题是：在满足公平约束的前提下，分类器最低能将错误率降到多少。论文称其构造的估计器具有一致性。

AI 根据报道生成 · 1 小时前更新

还没有足够的连续观测数据，暂不绘制趋势。