← 返回 PaperDaily 大模型与智能体

排名也有偏见？巴西学者提出SMAA-Fair，给多准则决策中的排名加上“公平滤镜”

当你在多准则决策中用SMAA方法计算排名时，有没有想过这个排名可能对某些群体“偏心”？巴西学者提出的SMAA-Fair正是来解决这个问题的。它不改变你的模型，只调整每个模拟排名对最终结果的“投票权重”——排名越公平，权重越高。简单有效，思路清奇。

龙哥读论文 阅读 3 查看原文
#人工智能 #AI应用 #综述
排名也有偏见？巴西学者提出SMAA-Fair，给多准则决策中的排名加上“公平滤镜”
🐉 龙哥读论文知识星球来了！
公众号每日8篇拆解不够看？星球无上限更AI领域论文、资讯、招聘、招博、开源代码，一站式干货，每日2分钟刷完即赚！ 👇扫码加入「龙哥读论文」知识星球，前沿干货、实用资源一站式拿捏～ xingqiu_header

龙哥推荐理由：
当你在多准则决策中用SMAA方法计算排名时，有没有想过这个排名可能对某些群体“偏心”？巴西学者提出的SMAA-Fair正是来解决这个问题的。它不改变你的模型，只调整每个模拟排名对最终结果的“投票权重”——排名越公平，权重越高。简单有效，思路清奇。


原论文信息如下：
论文标题:
A fairness-aware extension of Stochastic Multicriteria Acceptability Analysis for ranking
发表日期:
2026年6月
发表单位:
麦肯齐长老会大学
原文链接:
https://arxiv.org/pdf/2606.17756v1.pdf

公平性警报：传统排名中的隐性偏见

假设你是HR，用多准则决策分析法选晋升名单。定了几个指标和权重，结果前几名全是某个特定性别或种族的员工——算法公平吗？更扎心的是，经典方法随机多准则可接受性分析（SMAA）本身没有内置公平性检查。它通过蒙特卡洛模拟生成大量排名，统计每个备选方案在第几位出现的概率，但只关心“分数高不高”，不关心“群体是否被系统性压制”。
巴西麦肯齐长老会大学的两位学者——Guilherme Dean Pelegrina 和 Renata Pelissari——在2026年6月的论文里给出了优雅答案：SMAA-Fair。不改变打分模型和模拟流程，但给每个模拟排名算“公平性分数”，按公平性加权——越公平的排名，对最终结果影响越大。

SMAA-Fair：给模拟排名加上“公平权重”

SMAA处理权重不确定：从可行权重空间随机抽L组权重，每组算总分得一个排名，重复L次。统计每个备选方案ai排在第s位的概率，即rank acceptability index（bis）。还有central weight vector，表示能让ai排第一的权重的平均。
SMAA-Fair的改动：每轮模拟中，评估排名的群体公平性，映射成公平权重 fl ∈ [0,1]。统计可接受性指数时，每个模拟排名按fl加权贡献。公式：bis,Ω = (∑l:π(l)(ai)=s fl) / (∑l=1..L fl)。中央权重向量也做公平性加权。
插图
这个想法不增加计算复杂性，不改变聚合模型，仅改动加权方式就把公平性嵌进SMAA。任何能用SMAA的模型都能套用。算法伪代码（Algorithm 1）：
    SMAA-Fair 算法伪代码
输入：决策矩阵M，群体标签G，模拟次数L
1. 标准化决策矩阵M
2. 生成L组可行权重向量{w^(l)}
3. for l = 1 to L do
4.   计算全局得分 u(w^(l)) = M w^(l)
5.   得到排名 π^(l)
6.   计算公平性指标：SP^(l), rKL^(l), nDKL^(l)
7. end for
8. 计算最差值：SP_max, rKL_max, nDKL_max
9. for l = 1 to L do
10.   对π^(l)中每个位置s的备选方案ai
11.     更新经典SMAA可接受性指数：b += 1
12.     更新公平加权的三类可接受性指数
13.   end for
14. 将权重向量w^(l)存入使ai排第一的集合Wi
15.   计算公平加权中心权重向量
16. end for
17. 返回三类可接受性矩阵和三类公平中心权重向量
    第12行中，三类公平权重对应SP、rKL、nDKL三种指标。

    三大公平性指标：如何量化排名中的群体差异？

    三种指标基于群体均等理念：让排名靠前位置中，受保护组与特权组的出现比例尽量接近大众比例。
    1. 统计均等（SP）：关注“前k名”的群体比例。SP = (受保护组在前k名中的比例) − (受保护组在全体中的比例)。SP=0完美均等，负值表示被低估。
    2. 归一化折扣KL散度（rKL）：考察多个前缀（如前1到前m）的群体比例，用KL散度衡量差异，对数折扣加权更靠前的位置，归一化到0-1。rKL=0完美公平。
    3. 归一化折扣累积KL散度（nDKL）：评估每个前缀（1到m），累积每个前缀的KL散度，同样对数折扣。对排名整体连续性公平性更敏感。
    三个指标各有所长，实验中对三者都做了验证，用户可任选其一。

    从概率到排名：期望排名与最大可接受性排名

    从可接受性矩阵B得到确定排名，论文用两种方法：
    期望排名：ER(ai) = 1×bi1 + 2×bi2 + … + m×bim，按ER从小到大排序。
    最大可接受性排名（MAR）：解线性指派问题，使分配位置的bis之和最大。
    在SMAA-Fair中，基于公平加权后的BΩ计算期望排名和MAR。

    合成数据与真实数据验证：受保护组排名显著提升

    实验用两组合成数据和一组真实数据。合成数据1：30个备选方案，受保护组占30%（9个），设计使受保护组在部分准则上偏低。比较前10名中受保护组人数占比。
    合成数据1前10名结果（Table 2，加粗行为受保护组）：
    表2：合成数据1中各方法的前10名。加粗行为受保护组。
    经典SMAA前10名中受保护组只有2人（20%），rKL指标下增加到3人（30%），与整体比例持平。SP和nDKL也有类似提升。
    可接受性指数矩阵（Table 3）对比：
    表3：合成数据1中经典SMAA与rKL方法的可接受性指数。加粗行为受保护组。
    受保护组排第一的概率普遍提升，特权组略有下降，体现公平与效率的平衡。
    合成数据2（受保护组占60%）中，经典SMAA前10名受保护组占80%，SMAA-Fair（SP）将其降到60%，说明方法是双向调节。
    Table 5：
    表5：合成数据2中各方法的前10名。加粗行为受保护组。
    Table 6：
    表6：合成数据2中经典SMAA与SP方法的可接受性指数。加粗行为受保护组。
    真实数据实验用大学排名数据集，设定“发展中国家的大学”为受保护组，结果同样表明SMAA-Fair能显著提升受保护组在前列的代表性。Table 9：
    表9：真实数据中经典SMAA与SMAA-Fair方法的可接受性指数。加粗行为受保护组。
    实验还展示了中央权重向量变化（Table 4、7、10）。结论：SMAA-Fair能在几乎不牺牲总效用的前提下，显著提高排名中受保护组的代表比例，且保持对权重不确定性的鲁棒性。

    权衡与展望：公平性是否需要牺牲效率？

    SMAA-Fair通过加权改变汇总方式，可能导致最终排名违反Pareto。论文承认这是公平性问题的固有属性，并非缺陷。展望方向：引入更多公平性指标（如曝光公平性）、扩展到非加性聚合模型（ELECTRE、PROMETHEE）、量化公平与效率的权衡、在更多真实场景中验证。
    总体而言，SMAA-Fair是轻量级、优雅的公平性增强方案，在既有框架上加入“公平权重”旋钮，升级成本极低，是负责任的AI落地时需要的“无害补丁”。

    龙迷三问

    SMAA-Fair 需要修改原来的评价矩阵或权重吗？完全不需要。只修改从模拟排名到可接受性指数的“投票权重”。原始SMAA等权重，SMAA-Fair按公平性加权。引入几乎零代码改动。

    SP、rKL、nDKL三个指标应该选哪个？取决于公平性定义。SP最直接，rKL和nDKL更精细。实验显示三者效果接近，可任选或同时展示。

    SMAA-Fair 会导致排名“反转”吗？有可能，但实验显示变化温和。Pareto最优的方案排第一的概率依然很高，只有接近的方案才会受公平性权重影响，权衡是平滑的。

    欢迎在评论区留言讨论~

    龙哥点评

    论文创新性分数：★★★☆☆

    在SMAA中引入公平性加权，思路新颖，迁移到MCDA是首次。

    实验合理度：★★★★★

    合成数据设计合理，真实数据对比充分，统计指标齐全。

    学术研究价值：★★★★☆

    为MCDA公平性研究提供简洁基准工具，理论清晰。

    稳定性：★★★★☆

    继承SMAA的蒙特卡洛鲁棒性，三种指标结果一致。

    适应性以及泛化能力：★★★★☆

    不依赖特定聚合模型，但当前实验仅针对线性加权。

    硬件需求及成本：★★★★★

    几乎零额外成本，普通CPU即可。

    复现难度：★★★★☆

    伪代码完整，但未提供开源代码，一两天可复现。

    产品化成熟度：★★★☆☆

    方法简单易集成，但需处理指标选择和用户教育，目前学术验证阶段。

    可能的问题：未做敏感性分析，真实数据场景单一，Pareto违反未量化，未公开代码。总体瑕不掩瑜。


    主要参考文献

    [1] Lahdelma, R., & Salminen, P. (2001). SMAA-2: Stochastic multicriteria acceptability analysis for group decision making. Operations Research, 49(3), 444-456.
    [2] Yang, K., & Stoyanovich, J. (2017). Measuring fairness in ranked outputs. In Proceedings of the 29th International Conference on Scientific and Statistical Database Management (pp. 1-6).
    [3] Geyik, S. C., Ambler, S., & Kenthapadi, K. (2019). Fairness-aware ranking in search & recommendation systems with application to LinkedIn Talent Search. In Proceedings of the 25th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining (pp. 2221-2231).
    [4] Vetschera, R. (2017). Deriving rankings from probabilistic preferences: A survey of methods and a new approach. European Journal of Operational Research, 258(2), 629-641.
    [5] 原始论文： Pelegrina, G. D., & Pelissari, R. (2026). A fairness-aware extension of Stochastic Multicriteria Acceptability Analysis for ranking. arXiv:2606.17756.

    *本文仅代表个人理解及观点，不构成任何论文审核或者项目落地推荐意见。欢迎交流探讨～ 想了解更多原文细节，点击"阅读原文"。

    end
    想要第一时间获取更多前沿论文解读，可以加入龙哥读论文粉丝群，扫描下方二维码或者添加龙哥助手微信号加群：kangjinlonghelper。备注：研究方向+地点+学校/公司+昵称。
    wechat_helper dianzan
    转发文章 微博 X LinkedIn Facebook
    龙哥读论文 · PaperDaily

    本文基于龙哥读论文 PaperDaily 数据库整理，结合论文原文与工程视角进行解读。