样本重加权并非无害：理解数据集特征的作用

机器学习中常用的样本重加权（reweighting）公平性干预并非无害，在减少某群体低估偏差时可能向另一群体引入新的偏差。在发生率为 7-14% 的 3,000 个模拟数据集及 6 种分类器测试中，重加权导致高基线发生率少数群体的假阴性率（FNR）上升 6 个百分点（每 10,000 人约增加 82 例漏判）。由于整体准确率基本不变，这一负面影响在宏观指标中极具隐蔽性。