摘要

本文探讨了人工智能系统中的群体公平性问题，通过模糊逻辑的视角提出了一种新的评估框架。文章指出，现有的公平性定义往往依赖于统计学方法，并可能因社会背景和利益相关者的观点而有所不同。为了解决这些问题，作者提出了一种基于模糊逻辑的方法，通过抽象谓词和逻辑连接词来定义群体公平性，并允许在不同的社会背景下进行调整。该框架通过选择适当的逻辑子类和谓词的真值来评估公平性定义，从而产生连续而非二元的真值。文章还展示了如何将这些选择转化为非专业人士可以理解的术语，并探讨了在不同情境下对现有算法公平性定义的重新解释。

原理

本文提出的方法通过在模糊逻辑（BL）中定义群体公平性，将公平性的定义从社会背景和不确定性中解耦。模糊逻辑允许使用在单位区间[0, 1]中的真值来表示谓词，这些真值不一定代表概率，但可以模拟任何类型的连续评估或信念系统。通过选择适当的逻辑子类（如Product或Lukasiewicz逻辑）和谓词的真值，可以评估公平性定义的真值。这些选择可以根据利益相关者的信念通过问卷调查等方式确定，并遵循特定逻辑的规则来计算定义的真值。

流程

文章提出的模糊逻辑框架包括以下步骤：首先，在BL中使用抽象谓词定义公平性；其次，通过利益相关者的反馈确定逻辑类型和谓词的真值；最后，将这些真值代入公平性定义中进行评估。例如，可以通过问卷调查来确定“群体成员”和“歧视”等谓词的真值，然后选择适当的逻辑子类（如Lukasiewicz逻辑），并计算公平性的真值。

应用

该框架的应用范围广泛，可以用于评估和调整各种人工智能系统中的群体公平性定义。通过将利益相关者的信念整合到正式的公平性定义中，该方法有助于创建更加社会负责的人工智能系统。此外，该框架还可以用于批判性地审查现有的公平性评估策略，并在新的情境下提出适应性的变化。