标准回答
偏见来源
不公平多源于数据：历史偏见、样本不均衡、标注偏差，使模型在不同群体上表现系统性差异，并可能放大已有歧视。
度量（群体公平指标）
- 人口平等（Demographic Parity）：各群体获得正例预测的比例应相近。
- 机会均等（Equalized Odds）：各群体的真阳率与假阳率应相近，对「该被识别的人」一视同仁。
不同指标在数学上往往无法同时满足，需按场景取舍。
缓解手段（三阶段）
- 预处理：重加权、重采样、去偏特征，修正数据分布。
- 训练中：在目标函数里加入公平性约束或正则项。
- 后处理：对已训练模型按群体调整决策阈值或校准输出。
关键权衡
提升公平常以损失整体准确率为代价（公平-准确率权衡）；且不同公平定义彼此冲突，无法全都满足。应结合业务、法律与伦理语境，先明确「要哪种公平」，再选指标与缓解方法，并持续审计。
常见误区
⚠️ 常见踩坑
别以为「训练时不输入种族/性别就公平了」——其他特征（邮编、姓名、消费习惯）会作为代理变量泄露敏感信息。盲删敏感属性反而让偏见更隐蔽、更难度量，应显式度量并针对性缓解。
追问
追问 1：人口平等和机会均等有何区别？
人口平等要求各群体获正例预测的比例相近，不看真实标签；机会均等以真实标签为条件，要求各群体真阳率/假阳率相近。前者关注结果分布，后者关注「对合格者的识别一致性」，两者常无法同时满足。
追问 2：为什么多个公平指标不能同时满足？
在基准率（各群体正例真实比例）不同时，可证明人口平等、机会均等、校准等指标在数学上互相冲突，不存在同时满足全部的非平凡解。因此必须结合场景选定优先满足的公平定义，而非追求“全公平”。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。