重新审视公平表征学习

基于摘要分析。本文研究公平表征学习（Fair Representation Learning，FRL）的评估目标错配问题：在训练代理任务上同时获得较高准确率和较低歧视，并不意味着表征能支持训练时未知的下游任务。作者提出将迁移任务表现作为评估重点，并构建 TransFair 基准，用于检验公平表征的可迁移性。 原问题与机制：FRL 希望在减少基于敏感属性的歧视时，保留可供下游任务使用的信息。作者指出，若训练和评估主要围绕同一个代理任务，优化过程可能倾向于只保留该任务所需的特征，丢弃其他信息；极端情况下，表征可能退化为简单的二值输出，从而失去迁移用途。这是对评估目标及其优化激励的分析，不代表所有 FRL 方法都会发生此类退化。 基准与结果：作者提出适当评估程序应满足的四项标准，并据此设计 TransFair；摘要未列出标准的具体内容。该基准由常用 FRL 数据集的新变体及经过校准的迁移任务组成。作者报告，在 TransFair 设置下重新评估现有先进 FRL 方法时，这些方法经常过拟合代理任务，并在部分迁移任务上表现不佳；作者还强调，任务无关的学习信号有助于获得更具迁移性的表征。摘要未提供具体数据集名称、任务划分、对照方法或量化结果，不能据此判断各方法的性能差距。 本文主要贡献是通用公平表征的评估框架与基准，而非 EEG 或 BCI 方法。其任务无关学习信号的具体实现、实验协议、消融及统计信息尚未验证；代码与基准获取条件也尚未验证。材料不包含 EEG/BCI 验证，相关工作尚未检索确认。