情感计算中的算法公平性：如何定义与度量情感模型的偏见？ 热门官方

回答：算法公平性指模型对不同群体（性别、种族、年龄、残障等）的情感处理无偏见，定义与度量方法：①群体 fairness（群体间公平性）：不同群体的性能指标差异<阈值（如男女情感识别准确率差异<5%），度量指标：Statistical Parity（不同群体的正例预测率相等）、Equalized Odds（不同群体的TPR/FPR相等）；②个体 fairness（个体间公平性）：相似个体获得相似的情感处理结果（如两个“愤怒”的面部表情，无论性别如何，识别准确率应接近），度量指标：Counterfactual Fairness（反事实场景下，个体属性（如性别）不影响情感结果）；③交叉群体 fairness（交叉群体间公平性）：如“女性+少数族裔”群体与“男性+多数族裔”群体的性能差异，需单独度量以避免“平均公平掩盖局部偏见”。偏见来源主要包括训练数据偏见（如女性“愤怒”样本占比低于男性）、模型架构偏见（如特征提取层对肤色深的面部表情识别差）。