Detecting and Mitigating Bias by Treating Fairness as a Symmetry Operation

En 3 lignesPapier formalisant le biais comme rupture de symétrie : un classifieur est équitable si ses prédictions restent invariantes quand on change un attribut sensible (genre, race) à mérite constant. Régularisation par perte pour restaurer la symétrie. Résultats : 90% de réduction des violations, coût en précision ~5% sur 4 datasets synthétiques.

Résumé généré par Claude — vérifié par l'humain