English(EN) Position: Beyond Sensitive Attributes, ML Fairness Should Quantify Structural Injustice via Social Determinants

人工智能公平性研究必须通过社会决定因素解决结构性不公正

作者 PulseAugur 编辑部 · [1 个来源] · 2026-06-02 04:00

一篇新的立场论文认为，算法公平性领域需要将其重点从敏感属性扩展到通过社会决定因素量化结构性不公正。作者认为，当前的技术方法常常忽视背景变量如何造成系统性不公平，将其视为噪音而非信号。他们提议在实施缓解策略之前，转向通过社会决定因素审计结构性不公正，并强调以属性为中心的方法可能引入新的不公正形式。 AI

影响这项研究通过解决超越个体属性的系统性偏见，可能带来更强大、更公平的人工智能系统。

排序理由该集群包含一篇讨论算法公平性新方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.AI 阅读 →

Zeyu Tang

AI 生成摘要 · Google Gemini · 来自 1 个来源。我们如何撰写摘要 →

报道来源 [1]

arXiv cs.AI TIER_1 English(EN) · Zeyu Tang, Alex John London, Atoosa Kasirzadeh, Sarah Stewart de Ramirez, Peter Spirtes, Kun Zhang, Sanmi Koyejo · 2026-06-02 04:00

Position: Beyond Sensitive Attributes, ML Fairness Should Quantify Structural Injustice via Social Determinants

arXiv:2508.08337v3 Announce Type: replace-cross Abstract: Algorithmic fairness research has largely framed unfairness as discrimination along sensitive attributes. However, this approach limits visibility into unfairness as structural injustice instantiated through social determi…

报道来源 [1]

Position: Beyond Sensitive Attributes, ML Fairness Should Quantify Structural Injustice via Social Determinants

相关话题