詳細解釋
演算法公平性（Algorithmic Fairness）是確保算法決策不對特定群體產生系統性歧視的原則和實踐，涵蓋技術、法律和社會多個維度。
公平性概念：
- 個人公平：相似個體應得相似對待
- 群體公平：不同群體的統計結果應相等
- 機會公平：努力的回報應相等
- 社會公平：算法不應加劇社會不平等
技術實現：
- 公平性指標：
- 人口統計均等：陽性率相等
- 機會均等：真陽性率相等
- 預測均等：假陽性率相等
- 校準：預測概率在各群體中真實陽性率相同
- 公平性約束：
- 預處理：調整數據消除偏見
- 處理中：訓練時加入公平性約束
- 後處理：調整決策閾值達到公平指標
- 公平性工具：
- Fairlearn（Microsoft）
- AI Fairness 360（IBM）
- Aequitas：偏見審計工具包
社會維度：
- 歷史背景：算法可能學習歷史歧視
- 結構性不平等：社會結構性問題的反映
- 權力關係：誰定義什麼是「公平」
- 多元價值：不同群體對公平有不同理解
應用領域：
- 招聘：確保性別、種族不影響篩選
- 信用評分：避免對特定地區的歧視
- 刑事司法：預測性警務的偏見控制
- 醫療：確保各群體診斷準確率一致
- 教育：自適應學習系統的資源分配
法律框架：
- 歐盟AI法案：高風險AI的歧視禁止
- 美國民權法：就業、住房、信貸的反歧視
- 算法問責法案：影響評估要求
挑戰：
- 公平性不可兼得：多個公平指標通常互斥
- 準確性vs公平性：追求公平可能降低整體性能
- 定義權力：誰決定什麼是公平
- 動態性：社會對公平的認識在演變
- 測量困難：隱性偏見難以量化
演算法公平性是負責任AI的核心支柱。