📊 statistics

Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings

यह शोध पत्र रिलैक्स्ड फेयर रिग्रेशन (relaxed fair regression) के लिए एक एकीकृत ऑप्टिमल ट्रांसपोर्ट फ्रेमवर्क प्रस्तुत करता है जो वॉसरस्टीन-2 (Wasserstein-2) और टोटल वेरिएशन (Total Variation) दंडों के तहत इष्टतम भविष्यवक्ताओं को अभिलक्षणित करके 'अवेयर' (aware) और 'अनअवेयर' (unaware) सेटिंग्स के बीच सेतु बनाता है, जो विशिष्ट निष्पक्षता दर्शनों को प्रकट करता है और एक सरल, कुशल एल्गोरिदम को सक्षम बनाता है जो अत्याधुनिक बेसलाइनों से बेहतर प्रदर्शन करता है।

मूल लेखक: M. Generali Lince, V. Divol, R. Flamary, S. Gaucher, P. Loiseau

प्रकाशित 2026-05-28

📖 6 मिनट में पढ़ें🧠 गहराई से पढ़ें

CC BY 4.0

मूल लेखक: M. Generali Lince, V. Divol, R. Flamary, S. Gaucher, P. Loiseau

मूल पेपर CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) के तहत लाइसेंस किया गया है। ✨ नीचे दिए गए पेपर की यह व्याख्या AI से तैयार की गई है। इसे लेखकों ने न तो लिखा है, न इसका समर्थन किया है। तकनीकी सटीकता के लिए मूल पेपर देखें। पूरा डिस्क्लेमर पढ़ें

यहाँ "Geometry of Relaxed Fair Regression" पेपर का सरल भाषा और रोज़मर्रा के उदाहरणों के साथ विवरण दिया गया है।

बड़ी समस्या: "निष्पक्षता बनाम सटीकता" की खींचतान (The "Fairness vs. Accuracy" Tug-of-War)

कल्पना कीजिए कि आप एक कोच हैं जो यह अनुमान लगाने की कोशिश कर रहे हैं कि एक खिलाड़ी खेल में कैसा प्रदर्शन करेगा। आपके पास उनके कौशल के बारे में बहुत सारा डेटा है। हालाँकि, आप यह भी जानते हैं कि ऐतिहासिक रूप से, एक विशिष्ट टीम (मान लीजिए "टीम A") के खिलाड़ियों के साथ सिस्टम द्वारा अन्याय किया गया है, जिससे उनके पिछले स्कोर कम रहे हैं, भले ही उनकी वास्तविक क्षमता "टीम B" के खिलाड़ियों के समान ही क्यों न हो।

आप चाहते हैं कि आपके अनुमान सटीक हों (वास्तविक कौशल का अनुमान लगाना) लेकिन साथ ही निष्पक्ष भी हों (यह न होने दें कि खिलाड़ी की टीम का इतिहास उनके स्कोर को नीचे गिरा दे)।

यह पेपर एक विशिष्ट, पेचीदा स्थिति को हल करता है: क्या होगा यदि आप भविष्यवाणी करते समय यह नहीं जानते कि खिलाड़ी किस टीम से है?

"अवेयर" (Aware) सेटिंग: आप जानते हैं कि खिलाड़ी टीम A से है या टीम B से। आप सीधे स्कोर को एडजस्ट कर सकते हैं।
"अनअवेयर" (Unaware) सेटिंग: आप टीम के बारे में नहीं जानते। आप केवल उनके आँकड़े देखते हैं। यह असल ज़िंदगी में आम है (जैसे, एक लोन ऑफिसर को ग्राहक की जाति का पता नहीं होता, या एक हायरिंग एल्गोरिदम को उम्मीदवार के लिंग का पता नहीं होता)।

मौजूदा अधिकांश तरीके या तो समस्या को अनदेखा कर देते हैं (अनुचित) या पहले टीम का अनुमान लगाने की कोशिश करते हैं और फिर सुधार करते हैं (जो अक्सर विफल हो जाता है क्योंकि अनुमान गलत होता है)। यह पेपर कहता है: "हम टीम का अनुमान लगाए बिना, एक नए गणितीय मानचित्र (mathematical map) का उपयोग करके इसे ठीक कर सकते हैं।"

समाधान: भविष्यवाणियों को "पुनर्वितरित" करने का एक नया तरीका

लेखक एक ऐसा तरीका प्रस्तावित करते हैं जो भविष्यवाणियों को एक चलते-फिरते पहेली (moving puzzle) की तरह मानता है। वे ऑप्टिमल ट्रांसपोर्ट (Optimal Transport) नामक गणित की एक शाखा का उपयोग करते हैं।

उपमा: रेत को हिलाना (Moving Sand)
कल्पना कीजिए कि आपके पास रेत के दो ढेर हैं।

ढेर A टीम A के लिए भविष्यवाणियों का प्रतिनिधित्व करता है।
ढेर B टीम B के लिए भविष्यवाणियों का प्रतिनिधित्व करता है।

यदि ढेर अलग-अलग आकार या स्थानों में हैं, तो सिस्टम अनुचित है। निष्पक्ष बनाने के लिए, आपको एक ढेर से दूसरे ढेर में रेत के कणों को तब तक ले जाने की आवश्यकता है जब तक कि वे बिल्कुल एक जैसे न दिखने लगें। एक कण को ले जाने की "लागत" (cost) यह है कि आपको उसे कितनी दूर तक घसीटना पड़ता है।

यह पेपर एक एकीकृत ढांचा पेश करता है जो तब भी काम करता है जब आप शुरुआत में यह नहीं जानते कि कौन सा कण किस ढेर का है। वे सबसे कुशल तरीका निकालते हैं जिससे रेत के कणों को इस तरह से हिलाया जा सके कि अंतिम आकार सभी के लिए समान हो, जबकि मूल सटीकता बनाए रखने के लिए उन्हें कम से कम हिलाया जाए।

दो अलग दर्शन: "सुचारू समझौता" बनाम "कठोर सीमा" (Two Different Philosophies: "Smooth Compromise" vs. "Hard Cutoff")

पेपर यह खोजता है कि आपके द्वारा चुने गए "पेनल्टी" (penalty) के आधार पर रेत को हिलाने के दो अलग-अलग तरीके हैं। यह एक प्रमुख खोज है: आप जो गणित चुनते हैं वह निष्पक्षता के दर्शन को बदल देता है।

1. "वॉसरस्टीन" पेनल्टी (The "Wasserstein" Penalty - सुचारू समझौता)

यह कैसे काम करता है: कल्पना कीजिए कि अलग-अलग ऊंचाइयों पर खड़े लोगों का एक समूह है। उन्हें समान बनाने के लिए, आप हर किसी को थोड़ा सा बीच की ओर धकेलते हैं।
रूपक: यह एक ग्रुप हग (group hug) की तरह है। हर कोई थोड़ा करीब आता है। कोई भी बिल्कुल वहीं नहीं रहता जहाँ वह था, लेकिन किसी को भी बहुत ज़ोर से नहीं धकेला जाता।
परिणाम: यह एक "सुचारू" (smooth) निष्पक्षता बनाता है। यह स्वीकार करता है कि हर कोई पहले की तुलना में थोड़ा कम सटीक है, लेकिन त्रुटि पूरी आबादी में समान रूप से वितरित होती है। यह एक समतावादी (egalitarian) दृष्टिकोण है: "हम सब बराबर होने के लिए थोड़ा-थोड़ा कष्ट सहते हैं।"

2. "टोटल वेरिएशन" पेनल्टी (The "Total Variation" Penalty - कठोर सीमा)

यह कैसे काम करता है: कल्पना कीजिए कि लोगों का एक समूह है। आप केवल उन लोगों को हिलाते हैं जो एक-दूसरे से बहुत अलग हैं। यदि दो लोग पहले से ही करीब हैं, तो आप उन्हें वैसे ही छोड़ देते हैं।
रूपक: यह एक ट्रैफिक लाइट की तरह है। यदि अंतर छोटा है, तो लाइट हरी है (कुछ न करें)। यदि अंतर बहुत बड़ा है, तो लाइट लाल हो जाती है, और आप उन्हें मिलाने के लिए एक बड़ा, अचानक बदलाव लाते हैं।
परिणाम: यह लोगों के एक बड़े समूह के लिए "सटीक समानता" (exact parity) बनाता है, लेकिन चरम मामलों (outliers) को पूरी तरह से अछूता छोड़ देता है। यह एक सफिशिएंटेरियन (sufficientarian) दृष्टिकोण है: "हम आबादी के एक बड़े हिस्से को पूरी तरह से समान सुनिश्चित करते हैं, भले ही चरम मामले अनुचित बने रहें।"

यह क्यों महत्वपूर्ण है ("अनअवेयर" सफलता)

पेपर का सबसे बड़ा दावा यह है कि उन्होंने इन स्मूथ ज्योमेट्रिक मैप्स का उपयोग करके "अनअवेयर" समस्या (जहाँ आप टीम नहीं जानते) को हल कर दिया है।

पुराना तरीका: पहले टीम का अनुमान लगाने की कोशिश करना (जैसे, "यह व्यक्ति टीम A जैसा दिखता है"), फिर सुधार लागू करना। यदि आपका अनुमान गलत है, तो आप निष्पक्षता को और बिगाड़ देते हैं।
नया तरीका: लेखकों ने एक गणितीय "मानचित्र" बनाया है जो डेटा और किसी समूह में होने की संभावना (probability) को देखता है, न कि एक कठोर अनुमान को। वे इस संभावना के आधार पर भविष्यवाणियों को बदलते हैं।
परिणाम: उनका तरीका वर्तमान अत्याधुनिक (state-of-the-art) तरीकों की तुलना में तेज़ और अधिक सटीक है। इसे टीम का अनुमान लगाने की आवश्यकता नहीं है; यह बस भविष्यवाणियों को ज्यामितीय रूप से पुनर्व्यवस्थित करता है ताकि निष्पक्षता स्वतः सुनिश्चित हो सके।

मुख्य निष्कर्ष (The Takeaway)

यह पेपर भविष्यवाणियों को निष्पक्ष बनाने के लिए एक "टूलबॉक्स" प्रदान करता है जब आपके पास सारी संवेदनशील जानकारी (जैसे जाति या लिंग) नहीं होती है।

यह समस्या को एकीकृत करता है: यह "टीम जानना" और "टीम न जानना" दोनों को एक ही ज्यामितीय पहेली के रूप में देखता है।
यह एक विकल्प प्रदान करता है: आप सुचारू, कोमल निष्पक्षता (हर कोई थोड़ा हिलता है) या सख्त, कठोर निष्पक्षता (कुछ लोग वहीं रहते हैं, अन्य मिलान करने के लिए कूद जाते हैं) के बीच चयन कर सकते हैं।
यह बेहतर काम करता है: वास्तविक दुनिया के डेटा (जैसे लॉ स्कूल ग्रेड या अपराध दर की भविष्यवाणी करना) पर परीक्षणों में, उनका तरीका मौजूदा उपकरणों की तुलना में अधिक सटीक और तेज़ था, जो यह साबित करता है कि आपको निष्पक्ष होने के लिए सटीकता का त्याग करने की आवश्यकता नहीं है—आपको बस सही ज्यामितीय मानचित्र की आवश्यकता है।

तकनीकी सारांश: रिलैक्स्ड फेयर रिग्रेशन की ज्यामिति (Geometry of Relaxed Fair Regression)

समस्या विवरण (Problem Statement)

यह शोध पत्र रिग्रेशन कार्यों में डेमोग्राफिक पैरिटी (Demographic Parity - DP) को लागू करने की चुनौती को संबोधित करता है, विशेष रूप से अनअवेयर सेटिंग (unaware setting) के भीतर जहाँ इन्फरेंस (inference) के समय संवेदनशील गुण ( $S$ ) उपलब्ध नहीं होते हैं। जबकि "अवेयर" सेटिंग (जहाँ $S$ ज्ञात है) में सटीक निष्पक्षता के लिए पोस्ट-प्रोसेसिंग विधियाँ मौजूद हैं, अनअवेयर सेटिंग में रिलैक्स्ड निष्पक्षता (सटीकता और निष्पक्षता के बीच संतुलन) प्राप्त करने के लिए सिद्धांत-आधारित विधियाँ काफी हद तक अनुपस्थित हैं। मौजूदा दृष्टिकोण अक्सर शोर वाले प्रॉक्सी क्लासिफायर या ग्रिड-आधारित विविक्तीकरण (discretizations) पर निर्भर करते हैं जो समस्या की निरंतर ज्यामितीय संरचना को पकड़ने में विफल रहते हैं, जिससे उप-इष्टतम (suboptimal) सटीकता-निष्पक्षता ट्रेड-ऑफ होता है।

कार्यप्रणाली (Methodology)

लेखक एक एकीकृत ढांचे का प्रस्ताव करते हैं जो रिलैक्स्ड फेयर रिग्रेशन को एक ऑप्टिमल ट्रांसपोर्ट (Optimal Transport - OT) समस्या के रूप में स्वरूपित करता है। मुख्य अंतर्दृष्टि बेस प्रेडिक्टर के कंडीशनल डिस्ट्रीबशंस को एक सामान्य लक्ष्य वितरण (target distribution) में ले जाने वाले OT मैप्स के माध्यम से इष्टतम भविष्यवाणी फ़ंक्शन को लक्षणित करना है, जबकि अनफेयरनेस के दंड (penalty) को कम किया जाता है।

1. एकीकृत ढांचा (Unified Framework)

यह ढांचा साइनेड मेजर $\chi_+ - \chi_-$ (धनात्मक और ऋणात्मक समूहों के फीचर्स के कानूनों के बीच का अंतर) को परिभाषित करके अवेयर और अनअवेयर दोनों सेटिंग्स को एकीकृत करता है।

अनअवेयर सेटिंग: इष्टतम प्रेडिक्टर साइनेड ग्रुप प्रोबेबिलिटी $\Delta(x) = \frac{P(S=+|X=x)}{p_+} - \frac{P(S=-|X=x)}{p_-}$ पर निर्भर करता है। समस्या 2D मेजर्स $\mu^{\pm}_{\eta, \Delta}$ (जो बेस प्रेडिक्शन $\eta(x)$ और $\Delta(x)$ के स्पेस पर परिभाषित हैं) को 1D प्रेडिक्शन स्पेस में ट्रांसपोर्ट करने में बदल जाती है।
अवेयर सेटिंग: इसे एक विशेष मामले के रूप में प्राप्त किया जाता है जहाँ $\Delta(x)$ , देखे गए $S$ के आधार पर नियतात्मक (deterministic) होता है, जो समस्या को 1D ट्रांसपोर्ट तक सीमित कर देता है।

2. दंड के माध्यम से रिलैक्स्ड फेयरनेस (Relaxed Fairness via Penalties)

सटीक DP ( $\lambda \to \infty$ ) को लागू करने के बजाय, लेखक एक दंडित जोखिम (penalized risk) को कम करते हैं:
$\min_f \mathbb{E}[(f(X) - \eta(X))^2] + \lambda m U_D(f)$
जहाँ $U_D(f)$ साइनेड मेजर के पॉजिटिव और नेगेटिव वेरिएशंस के पुशफोर्वड्स के बीच एक विसंगति माप (discrepancy measure) है। शोध पत्र दो विशिष्ट दंडों का विश्लेषण करता है:

स्क्वेर्ड वासरस्टीन-2 ( $W_2^2$ ): लेबल स्पेस में विस्थापन (displacement) के परिमाण को दंडित करता है।
टोटल वेरिएशन (TV): गैर-अतिव्यापी (non-overlapping) प्रायिकता द्रव्यमान को दंडित करता है, और अलग-अलग मानों के बीच की दूरी की अनदेखी करता है।

3. क्लोज-फॉर्म समाधान (Closed-Form Solutions)

एक प्रमुख सैद्धांतिक योगदान लगभग-फेयर (almost-fair) प्रेडिक्शन फ़ंक्शंस के लिए सटीक, क्लोज-फॉर्म अभिव्यक्तियों का व्युत्पन्न है।

$W_2^2$ रिलैक्सेशन: समाधान में बेस प्रेडिक्शन और लक्ष्य के बीच एक भारित इंटरपोलेशन (weighted interpolation) शामिल है। इष्टतम ट्रांसपोर्ट प्लान को एक विशिष्ट कॉस्ट फंक्शन $C_{\lambda, c_2}$ द्वारा लक्षणित किया जाता है, और प्रेडिक्शन मैप्स $T^\pm$ स्थानीय घनत्व अनुपात द्वारा भारित इनपुट्स के रैखिक संयोजन (linear combinations) हैं।
TV रिलैक्सेशन: समाधान एक हार्ड-थ्रेशोल्डिंग (hard-thresholding) व्यवहार प्रदर्शित करता है। यदि दो प्रेडिक्शन्स को मर्ज करने की लागत थ्रेशोल्ड $\lambda$ से कम है, तो उन्हें एक भारित बैरीसेंटर (barycenter) में मर्ज कर दिया जाता है; अन्यथा, वे अपरिवर्तित रहते हैं। यह एक पीसवाइज-डिफाइंड मैप की ओर ले जाता है।

4. एल्गोरिद्मिक कार्यान्वयन (Algorithmic Implementation)

लेखक एक व्यावहारिक एल्गोरिदम (एल्गोरिदम 1) प्रस्तावित करते हैं जो:

बेस रिग्रेसर $\hat{\eta}$ और पोस्टीरियर प्रोबेबिलिटीज को अनुमानित करता है ताकि $\hat{\Delta}$ की गणना की जा सके।
प्रशिक्षण डेटा से अनुभवजन्य (empirical) 2D मेजर्स का निर्माण करता है।
व्युत्पन्न क्लोज-फॉर्म कॉस्ट मैट्रिसेस का उपयोग करके एक डिस्क्रीट OT समस्या को हल करता है।
ट्रेनिंग सेट के लिए स्यूडो-लेबल्स (pseudo-labels) उत्पन्न करने के लिए बैरिसेंट्रिक प्रोजेक्शन (barycentric projection) का उपयोग करता है।
आउट-ऑफ-सैंपल इन्फरेंस को सक्षम करने के लिए स्यूडो-लेबल्स पर एक निरंतर रिग्रेसर (जैसे रैंडम फॉरेस्ट) को फिट करता है।

मुख्य योगदान (Key Contributions)

एकीकृत ढांचा: एक सामान्य दंडित OT ऑब्जेक्टिव जो अवेयर और अनअवेयर रिलैक्स्ड फेयर रिग्रेशन को एकीकृत करता है, जिसमें $W_2^2$ और TV दंडों को समाहित किया गया है।
क्लोज-फॉर्म लक्षण वर्णन: अनअवेयर फेयरनेस के लिए पहले सटीक, निरंतर ज्यामितीय न्यूनीकरण। शोध पत्र इष्टतम प्रेडिक्शन मैप्स के लिए स्पष्ट सूत्र प्रदान करता है, जो पूर्व कार्य (जैसे FairReg) के ग्रिड-आधारित सन्निकटन से आगे जाता है।
दार्शनिक अंतर: यह शोध पत्र प्रकट करता है कि दंड का चुनाव मौलिक रूप से भिन्न निष्पक्षता दर्शन को दर्शाता है:
- $W_2^2$ एक सुचारू, जनसंख्या-व्यापी समझौते (smooth, population-wide compromise) को प्रेरित करता है (एगालिटेरियन दृष्टिकोण), जो सभी व्यक्तियों को थोड़ा फेयर सेंटर की ओर स्थानांतरित करता है।
- TV व्यक्तियों के एक उपसमुच्चय के लिए सटीक समानता (exact parity for a subset) को लागू करता है (सफिशिएंटेरियन दृष्टिकोण), जो उन मामलों में जहां यह "सस्ती" (affordable) है, वहां पूर्ण विलय करता है जबकि चरम भविष्यवाणियों को अपरिवर्तित छोड़ देता है।
कुशल एल्गोरिदम: एक नियतात्मक (deterministic), कम्प्यूटेशनल रूप से कुशल पोस्ट-प्रोसेसिंग एल्गोरिदम जो स्टोकेस्टिक ग्रेडिएंट डिसेंट से बचता है।

प्रयोगात्मक परिणाम (Experimental Results)

ढांचे का मूल्यांकन सिंथेटिक डेटा और वास्तविक दुनिया के बेंचमार्क (लॉ स्कूल एडमिशन, कम्युनिटीज एंड क्राइम, और एडल्ट सेंसस इनकम) पर किया गया।

प्रदर्शन: प्रस्तावित "OT Unaware" विधि सभी निष्पक्षता मेट्रिक्स ( $W_2$ , TV, और कोलमोगोरोव-स्मिरनोव डिस्टेंस) में स्टेट-ऑफ-द-आर्ट बेसलाइन FairReg (Taturyan et al., 2024) के साथ लगातार मेल खाती है या उससे बेहतर प्रदर्शन करती है, जबकि प्रतिस्पर्धी मीन स्क्वेर्ड एरर (MSE) बनाए रखती है।
प्रॉक्सियों के साथ तुलना: नाईव दृष्टिकोण जो $S$ का अनुमान लगाने के लिए प्रॉक्सी क्लासिफायर का उपयोग करते हैं और अवेयर OT मैपिंग (प्लग-इन एस्टिमेटर्स) लागू करते हैं, काफी खराब प्रदर्शन करते हैं, जो वर्गीकरण त्रुटियों के कारण अक्सर निष्पक्षता प्राप्त करने में विफल रहते हैं। प्रस्तावित 2D ढांचा इस अनिश्चितता को सफलतापूर्वक अवशोषित करता है।
दक्षता: OT Unaware विधि FairReg की तुलना में काफी तेज़ है (उदाहरण के लिए, कम्युनिटीज डेटासेट पर ~26x स्पीडअप) क्योंकि यह पुनरावृत्ति स्टोकेस्टिक ऑप्टिमाइजेशन के बजाय सटीक डिस्क्रीट OT सॉल्वर पर निर्भर करती है।
मजबूती (Robustness): विधि विभिन्न बेस एस्टिमेटर्स (लीनियर, रैंडम फॉरेस्ट, ग्रेडिएंट बूस्टिंग) के बीच मजबूती प्रदर्शित करती है।

महत्व और दावे (Significance and Claims)

शोध पत्र यह दावा करता है कि वह अनअवेयर सेटिंग में रिलैक्स्ड फेयर रिग्रेशन के लिए एक सैद्धांतिक रूप से सुदृढ़, निरंतर ज्यामितीय समाधान प्रदान करके साहित्य के एक महत्वपूर्ण अंतर को पाटता है।

सैद्धांतिक कठोरता: पूर्व विधियों के विपरीत जो विविक्तीकरण (discretization) पर निर्भर करती हैं, यह कार्य सटीक क्लोज-फॉर्म न्यूनीकरण प्रदान करता है, जो निष्पक्षता बाधाओं की ज्यामितीय प्रकृति को स्पष्ट करता है।
व्यावहारिक उपयोगिता: व्युत्पन्न एल्गोरिदम सरल और कम्प्यूटेशनल रूप से कुशल हैं, जो उन्हें उन वास्तविक दुनिया के अनुप्रयोगों के लिए उपयुक्त बनाते हैं जहाँ मॉडल ब्लैक-बॉक्स हैं और संवेदनशील गुण इन्फरेंस के समय गायब होते हैं।
दार्शनिक अंतर्दृष्टि: $W_2$ और TV दंडों की तुलना करके, यह कार्य इस बात पर प्रकाश डालता है कि "रिलैक्स्ड फेयरनेस" एक मोनोलिथिक अवधारणा नहीं है, बल्कि यह उस विशिष्ट ट्रेड-ऑफ दर्शन (ग्लोबल स्मूथिंग बनाम लोकल एक्सैक्टनेस) पर निर्भर करती है जिसे अभ्यासी (practitioner) चुनता है।

लेखक सीमाओं को नोट करते हैं, जिसमें बाइनरी संवेदनशील गुणों तक प्रतिबंध और विशिष्ट दंड प्रकारों ( $W_2^2$ और TV) का उपयोग शामिल है, और $\hat{\eta}$ एवं $\hat{\Delta}$ की गुणवत्ता पर प्रदर्शन की निर्भरता भी। हालांकि, वे दावा करते हैं कि उनका दृष्टिकोण मौजूदा स्टेट-ऑफ-द-आर्ट विधियों की तुलना में सटीकता-निष्पक्षता ट्रेड-ऑफ के लिए एक बेहतर बेसलाइन प्रदान करता है।