通过可分性实现公平性：公平表征学习的统一框架

基于摘要分析。本文研究机器学习中的人口群体公平性，目标是在表征中滤除种族、性别等敏感信息，同时保留下游分类所需的判别信息；其主要贡献是以群体间不可分性与类别间可分性构建统一的公平表征学习框架，而非直接研究 EEG 或 BCI。 核心机制包含两个目标：使不同人口群体的潜在表征不可分，以促进表征分布对敏感属性的独立性；使不同类别的潜在表征尽可能可分，以维持预测能力。方法采用非零和对抗博弈，缩小不同人口群体数据之间的距离，同时扩大不同类别之间的间隔。摘要未给出具体距离、间隔定义、损失形式或训练流程，尚不能据此确定实现细节。 作者报告，该目标可推广至多敏感属性与多类别情形，并在这些情形下为常用公平性指标提供上界；作者还报告进行了公平性理论分析，并在基准数据集上验证公平性与预测性能。具体数据集、划分、对照方法、指标数值、理论假设、消融及统计信息尚未验证，不能据摘要判断其优于哪些方法或公平性代价有多大。 平台推测（待验证）：这一机制可作为 EEG 表征中抑制非任务群体信息的研究假设，但人口群体公平性不等同于跨被试域泛化。可考虑复用群体不可分与任务类别可分的双目标，并改造 EEG 编码器及群体属性定义；训练需有任务标签和群体属性，且应核对各群体的类别覆盖与样本量。低信噪比、小样本、通道差异，以及群体属性与任务相关信息纠缠，都可能导致去除群体信息时损失任务信息。一个小规模可证伪实验是：固定 EEG 编码器与跨被试划分，比较任务分类基线与加入该目标后的任务性能、群体属性可预测性及分组表现，检验两类目标能否同时改善。已有 EEG 相关工作尚未检索确认。