通过局部预测一致性实现个体公平性

研究针对机器学习个体公平性中成对约束过严的局限，提出通过局部预测一致性实现节点级松弛，将单点预测与局部邻域的相似度加权平均值进行对比。该方法能提供可解释的节点级公平性得分，并构建基于局部残差的正则化学习框架。方案适用于二元分类、回归以及事件发生时间预测，有效分析并平衡了公平性与性能的权衡关系。