通过多任务深度学习学习公平潜在表征

基于摘要分析。本文研究机器学习中的群体层面公平性，将公平性作为 Multi-Task Learning（MTL）的辅助任务，通过多目标优化并行学习公平内部表征与预测任务，而非仅在预测目标中加入公平性正则项。其主要贡献包括这一任务建模方式、两种面向 MTL 的公平性损失，以及所提方法泛化性质的理论分析。 机制上，作者将公平表征学习与预测任务优化视为可能冲突、但需同时优化的两个目标，试图改善传统正则化方法中公平性与预测准确性的权衡。摘要未给出损失公式、任务间的信息交互方式、多目标优化算法或理论界的假设，因此尚不能判断这种解耦如何实现，也不能将其理解为已有严格公平性保证。 作者报告，在基准数据集实验中，即使不直接对预测任务施加公平性损失，所提 MTL 方法相较标准正则化方法及其他 MTL 架构，仍持续改善群体层面公平性指标，同时保持有竞争力的预测性能。摘要未列出数据集、敏感属性、具体公平性指标、预测指标及数值；实验协议、消融及统计信息尚未验证，不宜据此判断收益幅度或跨场景稳定性。 平台推测（待验证）：若 EEG 预测任务存在明确的群体公平性目标，且具备相应群体属性标注，这种辅助任务建模可作为方法候选，但群体公平性不等同于跨被试泛化。迁移时需适配 EEG 编码器，并核对公平性目标是否会抑制与任务相关的神经信号；低信噪比、小样本及群体样本不均衡可能使两项目标的权衡不稳定。一个可检验的小实验是在固定跨被试划分、相同 EEG 编码器与训练预算下，对比普通预测、直接公平性正则化和该 MTL 方案，同时报告预测性能、各群体表现及选定公平性指标。已有 EEG 相关工作尚未检索确认。