本文发表于ICML，并获得了ICML 2018最佳论文奖，文章探究了机器学习中不同标准下对公平性的标准评估，提出并分析了不同标准下的公平性带来的结果。 全文较长，分为主体讨论与定理证明的附页，文章具有一定的文学性，内容紧凑，证明普遍易懂。为防割裂，这里只做主体讨论中的主要内容。 原文地址： [title]前言[/title] 机器学习的公平性主要是在静态分类环境中研究的，而不关心决策如何随时间而改变基础样本。传统观点认为，公平标准促进了它们旨在保护的群体的长期利益。 我们研…
本文发表于ICML，并获得了ICML 2018最佳论文奖，文章探究了机器学习中不同标准下对公平性的标准评估，提出并分析了不同标准下的公平性带来的结果。 全文较长，分为主体讨论与定理证明的附页，文章具有一定的文学性，内容紧凑，证明普遍易懂。为防割裂，这里只做主体讨论中的主要内容。 原文地址： [title]前言[/title] 机器学习的公平性主要是在静态分类环境中研究的，而不关心决策如何随时间而改变基础样本。传统观点认为，公平标准促进了它们旨在保护的群体的长期利益。 我们研…
