回应
按立场分组 · 点上方立场只看那一组
明确使用身份要缩小群体间的结果差距，就必须在决策中明确使用群体身份，这样做还可能同时更准
要缩小群体间的结果差距，往往必须明确使用群体身份，这与禁止差别对待相冲突
▶ 16:42莫里茨·哈特Fairness, part 1 - Moritz Hardt - MLSS 2020, Tübingen2020
在模型中使用种族、性别等群体身份特征，不只能改善公平性，还能提高准确率
▶ 27:37亚伦·罗斯The Ethical Algorithm | Michael Kearns & Aaron Roth | Talks at Google2019
能理解并使用敏感属性的算法，比刻意回避这些信息的算法更准确
▶ 6:53辛西娅·德沃克The Emerging Theory of Algorithmic Fairness2018
拉平有害强行拉平群体间的指标会让某些人的处境更差，该反对的是没有正当理由的区分，而不是区分本身
公平研究该反对的是没有正当理由的区分依据，而非机器学习对个体做区分本身
▶ 9:24莫里茨·哈特Fairness, part 1 - Moritz Hardt - MLSS 2020, Tübingen2020
装看不见没用把敏感属性删掉或忽略并不能消除歧视
删除或忽略敏感属性并不能消除算法歧视，「无意识即公平」行不通
▶ 19:04莫里茨·哈特Fairness, part 1 - Moritz Hardt - MLSS 2020, Tübingen2020
用邮政编码代替种族做区别对待，是披着合法外衣的种族歧视
▶ 5:30辛西娅·德沃克The Emerging Theory of Algorithmic Fairness2018
广告主自己不看敏感属性并不足以保证公平，盯着这一点的竞争对手会扭曲投放结果
▶ 52:21辛西娅·德沃克The Emerging Theory of Algorithmic Fairness2018
苏菲周报 · THE WEEKLY
每周一封，
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
追问一个大问题。 苏菲拉底的每周来信，写这一周在追问的问题和看到的回应。
苏菲拉底
ASK THE BIG QUESTIONS · THINK DEEPLY · SEE THE WORLD DIFFERENTLY
微信公众号
© 2026 苏菲拉底 · 内容仅供学习
[email protected]