概念Equal Opportunity / Equalized Odds
机会均等
机器学习公平性准则，要求在真实合格人群中模型对各群体的真阳性率保持一致，由Moritz Hardt等人于2016年系统形式化，比统计均等更贴近就业信贷等场景的实际公平诉求
时间轴 (近 90 天)
10月20日
常用的公平性指标包括人口统计平价、机会均等和预测平价；实践中预测平价与机会均等往往存在权衡，建议根据业务场景选择主指标并记录权衡理由以备审计。
待验证50%
10月17日
算法公平性指机器学习模型在不同群体（如性别、种族、年龄）之间不产生系统性歧视或偏见的性质，它是一组相互冲突的度量标准，例如“人口均等”与“机会均等”往往无法同时满足。
待验证50%
10月15日
部署前公平性评估应包含三项维度：跨人口群体的统计均等分析、合格候选人的机会均等评估、交叉性偏见评估。
待验证50%
10月15日
机会均等由Hardt等学者于2016年系统形式化，要求在真实标签为合格或正例的人群中，模型对各群体的真阳性率保持一致。
待验证50%
10月15日
统计均等与机会均等在数学上往往无法同时满足，实际部署需要根据业务场景选择主指标并记录取舍理由。
待验证50%
全部知识事实 (5)
待验证
常用的公平性指标包括人口统计平价、机会均等和预测平价；实践中预测平价与机会均等往往存在权衡，建议根据业务场景选择主指标并记录权衡理由以备审计。
50%待验证算法公平性指机器学习模型在不同群体（如性别、种族、年龄）之间不产生系统性歧视或偏见的性质，它是一组相互冲突的度量标准，例如“人口均等”与“机会均等”往往无法同时满足。
50%待验证部署前公平性评估应包含三项维度：跨人口群体的统计均等分析、合格候选人的机会均等评估、交叉性偏见评估。
50%待验证机会均等由Hardt等学者于2016年系统形式化，要求在真实标签为合格或正例的人群中，模型对各群体的真阳性率保持一致。
50%待验证统计均等与机会均等在数学上往往无法同时满足，实际部署需要根据业务场景选择主指标并记录取舍理由。
50%