主要作者与机构
本研究由南方科技大学可信自主系统研究院的张清泉（IEEE会员）、刘佳琳副研究员（IEEE高级会员）及岭南大学数据科学学院的姚新（IEEE Fellow）合作完成，发表于《IEEE Transactions on Evolutionary Computation》。研究得到中国国家重点研发计划（2023YFE0106300）、国家自然科学基金（62250710682）及广东省重点实验室项目等多个科研基金支持。
学术背景与研究动机
在人工智能伦理日益受关注的背景下，机器学习模型的公平性（fairness）成为核心议题。当前存在至少25种不同的公平性量化指标（如统计奇偶性差异、均衡几率差异等），这些指标与模型准确性（accuracy）之间常存在复杂冲突关系。传统多目标进化学习（MOEL）方法需预先定义一组静态的公平性指标作为优化目标，但存在三大局限：(1) 代表性指标集的确定依赖先验知识与高昂计算成本；(2) 最优指标集因数据集差异而不同；(3) 训练过程中指标间相关性会动态变化。为此，本研究提出公平感知多目标进化学习框架（FAMOEL），首次实现在模型训练过程中动态自适应地确定代表性公平指标集。
研究方法与技术路线
1. 框架设计
FAMOEL框架（算法1）通过七阶段工作流实现：
- 初始化阶段：构建包含λ个同构人工神经网络（ANN）的初始种群，每个ANN的权重编码为实数向量个体。
- 动态目标选择：采用改进的ORNCIE算法（算法2）每代动态选择代表性目标子集（如从26个目标中选取5-8个关键指标）。该算法创新性地引入三项增强策略：
• 采用10代预热期（warm starting）全面探索目标空间
• 基于最近10代MNCIE矩阵滑动平均计算目标相关性（取代单代矩阵）
• 设置固定阈值τ=0.22识别冗余目标（替代动态分类策略）
- 进化优化：使用Two_Arch2多目标优化器，通过高斯变异（mutation strength: 0.0001-0.05）和权重交叉算子生成子代模型。
- 部分训练：在每代使用SGD优化器（learning rate: 0.0001-0.001）对子代模型进行局部调参。
- 评估验证：在验证集上计算26个目标值（1个准确性+25个公平性指标）。
- 生存选择：基于动态目标子集进行非支配排序，保留最优λ个个体。
- 循环迭代：重复上述过程直至100代终止。
主要发现与结果
1. 性能优势
在Bank、Adult等7/12数据集上，FAMOEL的HV值显著优于对比方法（如Adult数据集：5.48 vs MOEL_REP 4.99）。关键发现包括：
- 动态目标选择使模型在未显式优化的指标上仍获提升（如仅优化6个目标时，25个公平指标平均改进率达83%）
- 训练过程中目标相关性呈现显著时变特征（图4显示Drug数据集上fair4与fair16-24的相关系数从+0.6变为-0.4）
结论与价值
1. 理论贡献
- 首次实现目标函数的动态自适应构建，突破传统MOEL依赖固定目标集的局限
- 提出改进的MNCIE矩阵计算方法，增强目标选择的稳定性
研究亮点
1. 核心发现
- 证明训练过程中最优目标集会自然演变（图5显示LSAT数据集上目标集大小在4-9间波动）
- 发现高频选择目标（如f25差分公平性）具有跨数据集通用性（表VII）