排序中存在代表性偏差的群体检测

基于摘要分析。本文研究排序结果中的群体公平性：当受保护群体的定义事先未知时，如何从 top-k 排序条目中发现代表性存在偏差的群体。核心贡献是针对两类公平性度量设计高效搜索算法，并使用 Shapley values 解释群体代表性偏差。 已有相关定义关注不同受保护群体在 top-k 条目中的代表性，但通常需要先给定群体。本文将群体发现纳入问题本身；由于候选群体数量可能呈指数增长，搜索效率成为关键挑战。作者分别针对全局代表性界限（global representation bounds）与比例代表性（proportional representation）提出搜索算法。摘要未给出这两类度量的数学定义、群体描述方式、搜索剪枝机制或计算复杂度，相关细节尚未验证。 解释部分利用 Shapley values 分析群体代表性偏差，但其归因对象、价值函数及计算或近似方式在摘要中未展开。作者报告，实验展示了方法的可扩展性及所提算法的实用性；数据集、排序任务、top-k 范围、对照方法、运行时间及量化结果均尚未验证，实验协议、消融及统计信息也尚未验证。 本文主要研究对象是排序公平性审计，而非表示学习模型或 EEG/BCI 解码。现有材料没有提供与神经信号处理的具体机制对应，不据此推断其在 EEG/BCI 中的有效性。阅读全文时宜优先核对群体搜索空间、公平性阈值的设定，以及 Shapley values 解释所依赖的定义。