无需人口统计属性的公平性：基于共享潜在空间的去偏

基于摘要分析。本文研究目标域无法获取种族、性别等受保护属性时的机器学习群体公平性问题，提出 Shared Latent Space-based Debiasing（SLSD）：借助具有受保护属性的独立源域，在共享潜在空间中估计目标域群体信息，并利用该估计器进行对抗式去偏。 核心机制是将源域与目标域数据转换为相关的潜在表征，在这些表征上联合训练跨域受保护群体估计器，再借助估计器对下游模型施加对抗学习。方法并非完全不依赖人口统计信息，而是将这类信息的主要获取需求转移到源域。其放宽版本 R-SLSD 在训练阶段还会偶尔访问目标域的一小部分受保护属性，因此需与目标域不提供此类属性的 SLSD 区分评估。 作者报告，在基准数据集实验中，两种方法在标准群体公平性指标上持续优于现有最先进模型；但摘要未提供数据集名称、具体指标、数值、划分与对照设置，尚不能判断公平性改善幅度或其与预测性能之间的权衡。共享空间的构建方式、对抗损失、源目标域差异、目标域属性访问预算、消融及统计信息尚未验证。 本文主要研究一般机器学习公平性，并非 EEG 或 BCI 方法。平台推测（待验证）：若 EEG 应用存在带受保护属性的源域及缺少这些属性的目标域，可考察跨域群体估计与对抗去偏机制；但公平性群体不能直接等同于被试身份。可复用的是群体估计与去偏思路，需改造的是 EEG 表征和跨域对齐；低信噪比、通道差异及小样本可能使估计器失准，削弱公平性约束。一个可证伪的小实验是在属性已知的 EEG 数据中隐藏目标域属性，对照无去偏模型与 SLSD，并仅在评估时使用真实属性，同时检查预测性能、群体公平性和群体估计误差。已有 EEG 相关工作尚未检索确认。