多群体公平性与 Omniprediction：分离与等价关系

基于摘要分析。本文研究 omniprediction 是否必然要求某种多群体公平性，并给出两类不同的理论结论：作者报告，普通 omniprediction 不必满足这类要求，而更强的 Loss Outcome Indistinguishability（loss OI）等价于某种 calibrated multiaccuracy。 Omniprediction 要求单一预测器对一族损失函数中的任意损失，都能与基准假设类中的最优假设竞争。loss OI 则要求：对于依赖损失函数与基准假设类的检验，预测的标签分布与真实标签分布不可区分；这一保证强于 omniprediction。Multiaccuracy 与 multicalibration 是多群体公平性概念，分别推广了期望意义下的准确性与经典校准概念。摘要指出，已有多数相关学习算法依赖这些概念或中间条件 calibrated multiaccuracy，本文关注的是这些条件是否在逻辑上必要，而非提出新的网络结构或训练实现。 作者报告的分离结果是：针对 proper losses 的 omniprediction，甚至不能推出期望意义下的准确性，因此也不能据此推出校准、multiaccuracy 或 multicalibration。这里的“准确性”是理论中的期望性质，不应与分类指标 Accuracy 混同。另一方面，已有工作从校准与 multiaccuracy 的组合推出 loss OI；本文建立反向关系，将 loss OI 与某种 calibrated multiaccuracy 联系为等价条件。具体定义、损失族与假设类限制、竞争性保证的精度以及证明条件尚未验证。 平台推测（待验证）：这些结论可作为 EEG/BCI 预测目标设计的概念性提醒——跨多个损失的竞争性保证不能自动解释为跨被试或群体校准保证。但摘要没有提供 EEG 数据、群体定义或有限样本学习条件，目前不宜据此提出具体迁移算法或效果预期。已有 EEG 相关工作尚未检索确认；全文中的定理适用范围及实验协议、消融与统计信息尚未验证。