补偿几率

补偿几率^[1]（英语：Equalized odds^[2]），又称均等化赔率和差异性错误处理，是机器学习中衡量公平性的一种方法。如果受保护组和未受保护组的被试者的真阳率和假阳率相等^[3]，满足以下公式，则分类器满足这一定义：

$P(R=+|Y=y,A=a)=P(R=+|Y=y,A=b)\quad y\in \{+,-\}\quad \forall a,b\in A$

举一个例子， $A$ 可以为性别、种族等我们希望没有偏见的特征，而 $Y$ 为该人是否能够胜任学位，输出 $R$ 则为学校决定是否给予该人入读学位。在这语境下，获得同样考试成绩的美国黑人的大学入读率比白人的大学入读率高也可以符合补偿几率的条件。

最初，这个概念是针对二元类的定义。2017年，Blake Woodworth进一步将该概念推广为多类^[4]。

参考条目

^ 陈婉容; 朱孝文. 不看膚色就沒有歧視？「種族中立」為何會變成「色盲種族主義」. 关键评论. 2020-04-17 [2020-12-26]. （原始内容存档于2021-01-29）.
^ Hardt, Moritz. Equality of Opportunity in Supervised Learning. Neural Information Processing Systems. 10/7/2016 [2020-12-26]. （原始内容存档于2021-03-12）. 请检查|date=中的日期值 (帮助)
^ Fairness in ML 2: Equal opportunity and odds (PDF). https://www2.cs.duke.edu/. Duke Computer Science. [2020-12-26]. （原始内容存档 (PDF)于2020-11-27）.
^ Woodworth, Blake. Learning Non-Discriminatory Predictors Blake. Proceedings of Machine Learning Research. 2017, 65: 1-34 [2020-12-26]. （原始内容存档于2020-07-27）.