凌晨三点的急诊室，护士小林第一次独立值夜班。分诊台前来了两位病人：一个捂着右下腹，另一个也捂着右下腹，体温、血压、疼痛评分几乎一样。小林想起护士长的叮嘱——“看起来差不多的病人，分诊等级就不能差太多，否则家属要闹翻天的。”这就是个体公平最朴素的直觉：相似的个体，理应得到相似的对待。可问题接踵而至：什么叫“差不多”？体温差 0.3 度算不算？一个 80 岁一个 50 岁算不算？当 AI 模型取代分诊台时，这个“差不多”该如何量化、如何写进代码、又如何与“老人优先”这样的群体公平政策共存？这篇文章，就跟着小林从急诊室的一夜，走进个体公平的定义、数学表达、训练约束与伦理权衡。

岗位关联

掌握个体公平，你就能回答“模型有没有冤枉某个具体的人”这个灵魂拷问——这是算法工程师、AI 伦理审计师在模型上线前必须过关的硬核技能。

目录
  1. 可视化演示
  2. 1. 公平概念定义：分诊台上“差不多”的直觉
  3. 2. 形式化建模表达：把“像”翻译成数字尺子
  4. 3. 相似性度量方法：选对尺子才能量对相似
  5. 4. 模型训练公平约束：给模型戴上紧箍咒
  6. 5. 群体个体冲突：一份让所有人不满的报表
  7. 6. 公平权衡折中策略：在红线和指标之间找平衡
  8. 7. 评估落地实践：查房、留证据、走流程
  9. AI 应用场景
  10. Python 演示
  11. 常见误区
  12. 面试题

可视化演示

展示个体公平核心概念（相似个体→相似预测）、欧氏距离与马氏距离度量的差异，以及个体公平与群体公平的冲突关系，支持三种模式切换。

本节配有交互动效（进入视口后自动加载，约 3KB）。

个体公平：相似个体→相似预测 输入空间相近的个体应获得相近的预测 违反个体公平：相似输入却产生差异预测 d_out(f(x), f(y)) ≤ L · d_in(x, y) Lipschitz连续性约束确保个体公平。

1. 公平概念定义：分诊台上“差不多”的直觉

护士长告诉小林，判断分诊等级有一条铁律：如果两位病人在体温、血压、疼痛评分这些客观指标上几乎一样，那他们拿到的分诊等级也必须几乎一样——一个是“急”一个是“轻”，家属一眼就能看出不对劲。这个直觉放到 AI 模型里，就是个体公平的雏形：给模型的输入“长得像”，模型的输出就该“长得像”。

那么什么才算“像”？模型对每个个体输出一个预测值（分诊等级、审批通过概率等），个体公平要求：当两个个体的特征距离足够小时，他们的预测差异也要被限制在一个小范围里。注意，这跟“对所有人一视同仁”完全是两码事——重症和轻症当然要区别对待，个体公平只约束“相似的人”，不要求“所有人相同”。

个体公平的“直觉版”定义可以写成：

这个定义像分诊台的考核标准：护士长不会要求小林把重症和轻症同等对待，只要求“看着差不多的病人，别给天差地别的等级”。理解了这句直觉，后面的数学都只是把“看着差不多”说得更精确而已。

∀x,x′∈X, d(x,x′)≤ε ⇒ ∣f(x)−f(x′)∣≤δ\forall x,x' \in \mathcal{X},\ d(x,x') \le \varepsilon \ \Rightarrow \ \left| f(x) - f(x') \right| \le \delta
这个式子的意思是：只要两个个体在特征空间里的距离足够近，模型给他们的预测之差就不能超过某一个容差。
  1. 任意个体配对对所有可能的个体组合都做检查，这是“任何人都不被冤枉”的承诺。
    ∀x,x′∈X\forall x,x' \in \mathcal{X}
  2. 相似前提只有当特征距离小于阈值时才要求公平，差别大的人不受此约束。
    d(x,x′)≤εd(x,x') \le \varepsilon
  3. 预测差异有界最终结论是输出之差被控制在容差之内。
    ∣f(x)−f(x′)∣≤δ\left| f(x) - f(x') \right| \le \delta

2. 形式化建模表达：把“像”翻译成数字尺子

小林渐渐明白了“差不多”要靠数字说话。她拿出体温计、血压计、血氧仪，每个病人都变成了一组读数——这在数学上叫特征向量，所有可能的读数组合构成特征空间。两个病人像不像，就看他们在特征空间里的距离远不远；而分诊等级则是模型输出的值。

2012年，Dwork 等人正是沿着这条思路给出了个体公平的经典形式化定义：模型 f 在度量空间中是 Lipschitz 连续的。Lipschitz 这个名字听着吓人，本质就是一句话——输入动一点，输出不能动太多。

注意，这个定义把“公平”归结为对模型函数平滑度的要求。曲线越陡峭，L 越大，两个相似个体就越可能被“甩”到不同的预测等级上去；曲线越平缓，L 越小，公平性就越有保障。这就像把分诊台的规矩写成文字：体温差 0.3 度的病人，分诊等级的差别绝不能像体温差 3 度的病人那么大。

∣f(x)−f(x′)∣≤L⋅d(x,x′),∀x,x′∈X|f(x) - f(x')| \le L \cdot d(x,x'), \quad \forall x,x' \in \mathcal{X}
这里 L 是 Lipschitz 常数，类似“放大倍数”：输入距离每增加 1 单位，输出差最多增加 L 单位。L 越小，模型越公平。
  1. 任意两个个体公式对所有可能配对成立，不留死角。
    ∀x,x′∈X\forall x,x' \in \mathcal{X}
  2. 预测绝对差输出之差的绝对值衡量不公平程度。
    ∣f(x)−f(x′)∣|f(x) - f(x')|
  3. 距离缩放上界输出差被输入距离乘以常数 L 封顶。
    L⋅d(x,x′)L \cdot d(x,x')

3. 相似性度量方法：选对尺子才能量对相似

有了“输出差不能太大”的约束，下一个问题接踵而至：用什么尺子量“输入距离”？小林一开始只看体温——结果发现体温一样的病人，一个只是感冒，一个却是阑尾炎发作。她这才明白，尺子选错了，相似就是假象。

最直观的尺子是欧氏距离：把所有特征当成坐标，直接算直线距离。但欧氏距离有个致命伤——它默认每个特征的重要性一样，可现实中体温差 0.5 度和血压差 0.5 的临床意义天差地别，而且体温的数值范围本来就比血压小。马氏距离则聪明得多：它先对每个特征按方差做归一化，再考虑特征之间的相关性，相当于护士长发给小林的那张“综合评估表”：各项指标各有权重，量血压不能只看收缩压，还要结合舒张压和心率。

更灵活的方案是加权特征距离——人为给每个特征分配权重；再进一步就是度量学习：让模型从数据里自动学出这组权重，把“哪些特征该被看重”直接学出来。小林最后给自己定了个规矩：用综合评估表，而不是单看体温。模型的个体公平也一样：尺子选得对不对，决定了公平约束是保护了真正的“相似”，还是仅仅保护了数值上的巧合。

dM(x,x′)=(x−x′)⊤Σ−1(x−x′)d_M(x,x')=\sqrt{(x-x')^\top \Sigma^{-1} (x-x')}
其中 Σ 是特征协方差矩阵。马氏距离把特征分布的形状考虑进去，在特征相关性强的场景下比欧氏距离更可靠。
  1. 向量差先算出两个个体在每个特征上的差。
    (x−x′)(x-x')
  2. 协方差逆矩阵用数据自身的方差-相关结构做“矫正”。
    Σ−1\Sigma^{-1}
  3. 二次型内积对矫正后的差向量求加权内积。
    (x−x′)⊤Σ−1(x−x′)(x-x')^\top \Sigma^{-1} (x-x')
  4. 开方归一开根号得到距离值。
    ⋅\sqrt{\cdot}

4. 模型训练公平约束：给模型戴上紧箍咒

小林终于上岗了，可她发现光有制度还不够——分诊台忙起来的时候，人脑会偷懒，模型也会。训练一个神经网络或逻辑回归模型时，目标函数只会努力把预测做准，根本不关心“两个相似病人的等级差了多少”。于是研究者想出办法：在损失函数里加一个“公平紧箍咒”，让模型优化时同时考虑准确率和公平性。

这个紧箍咒就是公平正则项：从训练数据里找出“相似个体对”，如果模型给它们的预测差超过了合理范围，就施加额外惩罚。最终总损失等于任务损失加上 λ 倍的公平惩罚，λ 控制紧箍咒的松紧。

除了加正则项，还有两招常用：对抗性训练——让一个“鉴别器”专门找模型输出中不公平的破绽，迫使主模型不断修正；以及后处理校准——模型训练完以后，再对相似个体的输出做一次平滑对齐。小林把考核表贴在分诊台上后，同事们的分诊方案果然收敛多了；模型的公平正则项，就是这个贴在损失函数上的考核表。

Ltotal=Ltask+λ⋅1∣P∣∑(i,j)∈Pmax⁡(0, ∣f(xi)−f(xj)∣−τ⋅d(xi,xj))\mathcal{L}_{\text{total}} = \mathcal{L}_{\text{task}} + \lambda \cdot \frac{1}{|\mathcal{P}|} \sum_{(i,j)\in\mathcal{P}} \max\left(0,\ |f(x_i)-f(x_j)| - \tau\cdot d(x_i,x_j)\right)
τ 是允许的“公平松弛度”，|P| 是相似个体对的数量。公式的含义是：只有预测差超过 τ 倍特征距离的样本对，才会被惩罚。
  1. 任务损失先保证模型基本的预测准确率。
    Ltask\mathcal{L}_{\text{task}}
  2. 取平均惩罚对所有相似个体对的超额差异取平均，公平惩罚是总和的平均值。
    1∣P∣∑(i,j)∈P\frac{1}{|\mathcal{P}|} \sum_{(i,j)\in\mathcal{P}}
  3. 超额部分max 内部算的是“预测差超出合理容差”的部分，没超就不罚。
    max⁡(0, ∣f(xi)−f(xj)∣−τ⋅d(xi,xj))\max\left(0,\ |f(x_i)-f(x_j)| - \tau\cdot d(x_i,x_j)\right)
  4. 强度系数λ 越大，公平的权重越大。
    λ\lambda

5. 群体个体冲突：一份让所有人不满的报表

医院为了响应政策，公布了新规定：80 岁以上老人优先分诊。小林照着执行，却发现一个荒诞场景——一位 80 岁老人和一位 50 岁中年人症状几乎一样，按“老人优先”的群体政策，老人拿到更高级别；可按照之前“相似病人相似对待”的个体公平原则，两位本该拿一样的等级。两份规则打架了。

群体公平关心的是统计层面：不同群体（按年龄、性别、种族划分）的预测分布是否均衡。最常见指标是统计均等差异：

矛盾的本质在于：群体公平要求“两个群体之间可以有统计差异”（这正是为了纠正历史不公），而个体公平要求“两个相似个体之间不能有差异”。当群体属性本身就是特征的一部分时，两者必然冲突——老人优先会让相似个体得到不同结果；而强行要求每个相似个体结果一致，群体统计差异又无法归零。这就是著名的“公平悖论”：同时满足两种公平，在数学上常常无解。

Δspd=∣P(y^=1∣A=a)−P(y^=1∣A=b)∣\Delta_{\text{spd}} = \left| P(\hat{y}=1 \mid A=a) - P(\hat{y}=1 \mid A=b) \right|
它衡量“老人组”和“中年组”拿到阳性预测的比例差。Δ 越小，群体层面越公平。
  1. 老人组预测为正的概率群体 A 中模型给出 1 的概率。
    P(y^=1∣A=a)P(\hat{y}=1 \mid A=a)
  2. 中年组相应概率另一群体给出 1 的概率。
    P(y^=1∣A=b)P(\hat{y}=1 \mid A=b)
  3. 绝对值差额取两者之差的绝对值，衡量群体均衡度。
    ∣⋅∣\left| \cdot \right|

6. 公平权衡折中策略：在红线和指标之间找平衡

科室会议上吵成一团。最后主任拍板：老人优先的政策只用于“排队顺序”，不用于“病情等级判定”。模型的输出仍然遵循个体公平——相似症状得到相似等级；群体的关怀则通过排队规则去实现，不进模型。这个方案听起来朴素，背后却是公平研究的核心思想：不要做二选一，要做多目标折中。

在模型层面，折中的标准做法是把任务损失、个体公平惩罚、群体公平度量一起写进目标函数，用超参数控制各自的权重：

另一种思路是“公平预算”：设一个“群体差异不得超过 b”的硬约束，在预算内尽可能优化准确率和个体公平，即带约束的优化；还可以搜索 Pareto 最优解集——一组解里，任何一个目标变好都会让另一个变差，这就是公平的“帕累托前沿”，工程师根据业务需求在上面选点。主任的决策其实就是一次手工 Pareto 搜索：从“个体公平”和“群体优惠”两个目标里，找到了一个让大家都勉强接受的操作点。

min⁡θ Ltask(θ)+λ1Lind(θ)+λ2Δspd(θ)\min_{\theta}\ \mathcal{L}_{\text{task}}(\theta) + \lambda_1 \mathcal{L}_{\text{ind}}(\theta) + \lambda_2 \Delta_{\text{spd}}(\theta)
这像一个多目标优化问题。λ₁、λ₂ 是旋钮：调大某个公平项，就在对应公平维度上更严格。
  1. 模型参数优化的对象是模型参数 θ。
    min⁡θ\min_{\theta}
  2. 个体约束个体公平惩罚项由 λ₁ 加权。
    λ1Lind(θ)\lambda_1 \mathcal{L}_{\text{ind}}(\theta)
  3. 群体约束群体公平差异由 λ₂ 加权。
    λ2Δspd(θ)\lambda_2 \Delta_{\text{spd}}(\theta)

7. 评估落地实践：查房、留证据、走流程

制度定了，还得有人检查。护士长每个月抽查分诊记录：随机挑出 200 对“特征相似”的病人，核对他们的分诊等级差距是否在容差范围内，最后写成一份公平审计报告——这对应的正是模型上线前的公平性评估。

评估的核心是构造公平测试集，以及量化个体公平指标。一个常用指标是“个体公平满足率”：

落到工程实践，通常有四步：第一，构造含敏感特征和相似对的公平测试集；第二，计算个体公平指标并和基线对比；第三，对超标案例做归因分析，是特征泄漏、度量不当还是约束太弱；第四，输出审计报告，说明公平-准确性权衡的具体数字，为合规审查留下证据。护士长的查房让分诊台不敢松懈，这份审计报告，就是 AI 模型在“分诊台”上留下的值班记录。

Find=1∣Q∣∑(i,j)∈Q1[∣f(xi)−f(xj)∣≤ε]F_{\text{ind}} = \frac{1}{|\mathcal{Q}|} \sum_{(i,j)\in\mathcal{Q}} \mathbb{1}\left[ |f(x_i)-f(x_j)| \le \varepsilon \right]
在相似个体对集合 Q 中，计算“预测差没超阈值 ε”的占比。90% 的满足率意味着 10% 的相似个体对被区别对待了。
  1. 相似对集合测试集里预先构造的相似个体对。
    Q\mathcal{Q}
  2. 条件指示函数满足则记 1，不满足记 0。
    1[∣f(xi)−f(xj)∣≤ε]\mathbb{1}\left[ |f(x_i)-f(x_j)| \le \varepsilon \right]
  3. 取平均最终得到公平满足率。
    1∣Q∣∑(i,j)∈Q\frac{1}{|\mathcal{Q}|} \sum_{(i,j)\in\mathcal{Q}}

AI 应用场景

银行信贷审批：相近资质，相近批复

阶段：模型训练与上线前公平性校验

解决的问题：传统信贷模型只看逾期率，即使两个申请人收入、负债、征信几乎相同，也可能因为“历史巧合”被给出截然不同的审批结果，客户投诉和监管风险都很高。引入个体公平约束后，模型对“相似资质的人”给出高度一致的结论，审批逻辑更可解释、更抗投诉。

具体案例：某消金公司上线了带公平正则项的评分卡模型，在训练损失中加入“相似个体对”的预测差异惩罚。上线后审计发现，外部特征距离小于阈值的申请人中，审批结论不一致率从 18% 降到 4%，同时坏账率仅上升 0.3 个百分点。

智能急诊分诊：相似症状，相似等级

阶段：实时推理阶段的公平约束与线上监控

解决的问题：急诊分诊 AI 根据生命体征和主诉给出紧急等级，如果两个症状几乎相同的病人被分到不同等级，轻则引发投诉，重则延误救治。个体公平约束让分诊输出随输入变化更平滑，减少“边界处”的危险跳变。

具体案例：某三甲医院在分诊 AI 的推理层增加了后处理校准：对于相邻体征区间，强制输出等级平滑过渡，并设置公平监控看板，实时统计相似个体对的等级差。上线后，护士对 AI 分诊结果的人工修正率下降了 31%。

招聘简历初筛：相近经历，相近排序

阶段：数据准备阶段的特征选择与公平审计

解决的问题：简历筛选模型若直接用原始特征算欧氏距离，容易因“毕业院校”这类特征的尺度效应，把经历相近的候选人排到天差地别的位置。通过加权特征距离和个体公平审计，确保初筛排序对“相似背景”的候选人保持稳定。

具体案例：某招聘平台对初筛模型做公平审计时发现，两份技能、年限几乎相同的简历，排序分差了 40 分。定位后确定是“毕业院校”权重过高所致。改用马氏距离度量相似性并加入公平正则后，相差降至 6 分，招聘方满意度反而提升。

Python 演示

python92 行
import numpy as np  def sigmoid(z):    return 1.0 / (1.0 + np.exp(-np.clip(z, -30, 30)))  def make_data(n=600, seed=42):    rng = np.random.default_rng(seed)    X = rng.uniform(0, 10, size=(n, 2))    eta = 1.0 / (1.0 + np.exp(-(X[:, 0] + X[:, 1] - 10.0)))    y = (eta + rng.normal(0, 0.15, n)) > 0.5    return X, y.astype(float)  def pair_diff(model, X, n_pairs=200, seed=0):    rng = np.random.default_rng(seed)    idx = rng.integers(0, len(X), size=n_pairs)    diffs = []    for i in idx:        dist = np.linalg.norm(X - X[i], axis=1)        dist[i] = np.inf        j = int(np.argmin(dist))        diffs.append(abs(model.predict_one(X[i]) - model.predict_one(X[j])))    return float(np.mean(diffs))  class FairLogistic:    def __init__(self, lam=0.0, lr=0.1, epochs=200, pair_eps=1.0):        self.lam = lam        self.lr = lr        self.epochs = epochs        self.pair_eps = pair_eps        self.w = None        self.b = 0.0     def predict_one(self, x):        return sigmoid(x @ self.w + self.b)     def predict(self, X):        return sigmoid(X @ self.w + self.b)     def _fair_grad(self, X, prob, rng):        n = X.shape[0]        grad = np.zeros(X.shape[1])        count = 0        perm = rng.permutation(n)        for k in range(0, n, 2):            i = perm[k]            j = perm[k + 1]            if np.linalg.norm(X[i] - X[j]) < self.pair_eps:                diff = prob[i] - prob[j]                grad += 2.0 * diff * prob[i] * (1.0 - prob[i]) * X[i]                grad -= 2.0 * diff * prob[j] * (1.0 - prob[j]) * X[j]                count += 1        if count > 0:            grad /= count        return grad     def fit(self, X, y):        n = X.shape[0]        self.w = np.zeros(X.shape[1])        self.b = 0.0        rng = np.random.default_rng(0)        for epoch in range(self.epochs):            prob = self.predict(X)            grad_w = X.T @ (prob - y) / n            grad_b = np.mean(prob - y)            if self.lam > 0.0:                grad_w += self.lam * self._fair_grad(X, prob, rng)            self.w -= self.lr * grad_w            self.b -= self.lr * grad_b        return self  def main():    X_train, y_train = make_data()    X_test, y_test = make_data(seed=7)    plain = FairLogistic(lam=0.0)    plain.fit(X_train, y_train)    acc = float(np.mean((plain.predict(X_test) > 0.5) == y_test))    diff = pair_diff(plain, X_test)    fair = FairLogistic(lam=2.0)    fair.fit(X_train, y_train)    acc2 = float(np.mean((fair.predict(X_test) > 0.5) == y_test))    diff2 = pair_diff(fair, X_test)    print("无正则: 准确率", acc, "相近个体预测差", diff)    print("有正则: 准确率", acc2, "相近个体预测差", diff2)  if __name__ == "__main__":    main()
目的：用纯 NumPy 实现一个带个体公平正则的逻辑回归，对比“有无公平正则”时相近个体预测差异的变化，直观演示公平约束如何工作。
  1. eta = 1.0 / (1.0 + np.exp(-(X[:, 0] + X[:, 1] - 10.0)))生成一条线性决策边界，让模型在边界处天然容易对相近个体产生相反预测。
  2. grad_w = X.T @ (prob - y) / n逻辑回归的交叉熵梯度，指向让预测更准的方向。
  3. if self.lam > 0.0:是否启用公平正则，控制实验对比的关键开关。
  4. grad_w += self.lam * self._fair_grad(X, prob, rng)把伦理约束“接”进梯度下降，准确率和公平一起优化。
  5. if np.linalg.norm(X[i] - X[j]) < self.pair_eps:只在“特征相似”的样本对上施加惩罚，这是个体公平的精神所在。
  6. grad += 2.0 * diff * prob[i] * (1.0 - prob[i]) * X[i]对 sigmoid 输出差求链式梯度，把惩罚信号传回模型参数。
  7. dist[i] = np.inf; j = int(np.argmin(dist))在测试集中找每个个体的最近邻，用于事后评估公平性。
  8. fair = FairLogistic(lam=2.0)把公平正则开到 2.0，观察准确率的微小代价换来的公平收益。

常见误区

误区个体公平就是模型给每个人都输出同样的结果，比如每个人通过率都 50%，这样就绝对公平了。

正解完全错了。个体公平只要求“相似的个体相似对待”，重症和轻症、高收入和低收入的人本来就该得到不同结果。如果强行让所有人输出一致，反而抹掉了合理差异，让模型失去预测价值。这和分诊台不会给所有病人贴同一等级是一个道理。

为何常见：人们容易把“公平”误解为“平均”，忽略了公平的前提是“相似性”——先有相似，才有公平。

误区直接用特征的欧氏距离算相似度就好，反正都是数值，算出的距离肯定靠谱。

正解欧氏距离隐含假设每个特征同等重要且互不相关。实际数据里“年龄”数值范围只有 0-100，“收入”却能到几十万，欧氏距离会被数值范围大的特征主导。马氏距离通过协方差矩阵归一化并考虑相关性，本质是“根据数据分布矫正过的距离”。

为何常见：欧氏距离是大家最早学到的距离公式，惯性思维让人忽略了特征尺度问题。

误区公平正则项等于额外加了一层限制，模型准确率一定会显著下降，业务没法用。

正解公平约束本质是一种结构风险正则化，它会抑制模型在边界附近的剧烈震荡。很多场景下准确率只下降不到 1 个百分点，而公平性、鲁棒性和可解释性都提升。上文的 Python 演示里，λ=2 时准确率几乎没降，相似个体预测差却明显缩小。

为何常见：人们把“限制”和“损失”划等号，却忽略了约束也是先验知识。

误区把性别、年龄、种族这些敏感字段直接从特征里删掉，模型不就公平了吗？

正解敏感属性常与其它特征强相关（年龄和工龄、邮政编码和收入），删掉之后这些“代理变量”依然能还原群体信息。个体公平要求的是“相似个体输出相似”，如果代理特征让两个真实相似的人看起来不相似，删敏感属性也无济于事。

为何常见：把公平简单等同于“看不见敏感字段”，没意识到信息可以通过关联特征绕道传播。

误区个体公平和群体公平势不两立，既然数学上无法同时满足，那就只能牺牲一个。

正解数学上的“无法同时满足”是指完全同时满足，但工程上可以用多目标损失、公平预算、Pareto 前沿等手段找折中解，让两个指标都达到可接受水平。就像急诊室把“老人优先”放在排队规则而非病情等级里，让两条公平路线各司其职。

为何常见：把理论上的不可能定理解读为实践上的不可行，忽略了现实中我们从未要求任何指标做到 100%。

面试题

Q1. 个体公平最核心的思想是什么？

单选题 · easy

  • A.对所有个体一视同仁
  • B.相似个体获得相似预测← 正确答案
  • C.保证群体配额相等
  • D.消除所有特征差异

答案：B。个体公平只约束“相似的输入产生相似的输出”，并不要求对所有人一致。A 是平均主义的误读，C 属于群体公平的配额思路，D 抹掉所有差异会让模型失去判别能力。

Q2. 在个体公平的 Lipschitz 条件中，L 的含义是什么？

单选题 · easy

  • A.相似度阈值上限
  • B.输出差对输入差的放大倍数← 正确答案
  • C.模型训练迭代轮数
  • D.输入特征的维度数

答案：B。公式 |f(x)-f(x')| ≤ L·d(x,x') 中，L 是 Lipschitz 常数，表示输入距离每增加 1，输出差最多增加 L。L 越小，函数越平缓，个体越公平。

Q3. 马氏距离相比欧氏距离的主要优势是什么？

单选题 · mid

  • A.计算效率更高
  • B.兼顾特征相关性和尺度← 正确答案
  • C.无须协方差矩阵
  • D.可接受缺失特征

答案：B。马氏距离用协方差矩阵的逆对特征做过归一化和去相关，能避免“数值范围大的维度主导距离”的问题。欧氏距离没有这些矫正，也谈不上处理缺失值。

Q4. 个体公平的训练正则项通常惩罚什么？

单选题 · mid

  • A.模型参数绝对值
  • B.相似个体对的输出差异← 正确答案
  • C.训练数据的噪声
  • D.群体均值的差异

答案：B。正则项从训练数据中找出相似个体对，惩罚 |f(x_i)-f(x_j)| 超过容差的部分。参数绝对值对应 L2 正则，群体均值差异对应群体公平，都不属于个体公平正则。

Q5. 下列哪些方法可用于实现个体公平约束？

多选题 · mid

  • A.损失函数加正则化惩罚← 正确答案
  • B.对抗性训练← 正确答案
  • C.后处理输出校准← 正确答案
  • D.删除所有敏感属性

答案：ABC。正则化、对抗训练、后处理校正是三种主流实现路径。删除敏感属性看似合理，但敏感信息会通过关联特征泄漏，并不能实质保证个体公平。

Q6. 个体公平与群体公平冲突的本质原因是什么？

单选题 · mid

  • A.训练数据量不足
  • B.相似个体要一致而群体统计要有差异← 正确答案
  • C.模型出现严重过拟合
  • D.特征维度太高

答案：B。个体公平要求相似个体输出尽量相同，群体公平却允许甚至要求群体统计结果不同（如纠正历史不公）。两个目标在数学上互相拉扯，与数据量、过拟合无关。

Q7. 用欧氏距离度量个体相似性时最容易忽略什么？

单选题 · mid

  • A.特征尺度不一致← 正确答案
  • B.样本数量偏少
  • C.标签噪声干扰
  • D.模型结构复杂

答案：A。欧氏距离把每个维度等同看待，尺度大的特征会主导距离计算。比如“收入”范围远大于“年龄”时，收入相近会掩盖年龄差异，导致相似性判断失真。

Q8. 下列属于个体公平与群体公平折中方案的有哪些？

多选题 · hard

  • A.设置群体差异公平预算← 正确答案
  • B.构造多目标损失函数← 正确答案
  • C.搜索 Pareto 最优解集← 正确答案
  • D.放弃个体公平只保群体

答案：ABC。公平预算把群体差异限制在可接受范围内，多目标损失用 λ₁/λ₂ 调节两类公平，Pareto 搜索找多目标折中前沿。D 是放弃式回应，谈不上“折中”。

Q9. 评估个体公平的常用手段是什么？

单选题 · easy

  • A.检查相似对的输出差异← 正确答案
  • B.比较不同群体均值
  • C.计算特征重要性
  • D.观察训练损失曲线

答案：A。个体公平的评估核心是构造相似个体对，检查预测差异是否在容差内，计算公平满足率。比较群体均值属于群体公平评估。

Q10. 用欧氏距离定义相似性时，如果某维特征方差远大于其他维，个体公平约束可能失效，原因是？

单选题 · extreme

  • A.大方差维度主导了距离计算← 正确答案
  • B.协方差矩阵不可逆
  • C.特征空间维度发生爆炸
  • D.模型分类阈值自动漂移

答案：A。欧氏距离没有按方差归一化，方差大的维度在距离和中占比过大，导致“相似”的判断被单维主导，相似个体对选取失真，公平约束保护的对象与实际语义不符。