基于局部预测一致性的个体公平性研究

研究提出基于局部预测一致性的机器学习个体公平性框架，作为传统成对约束的节点级松弛方案。该方法将单点预测与其局部邻域的相似度加权平均值比对，生成可解释的节点级公平性评分及基于局部残差的正则化学习机制。该方案适用于二分类、回归和事件发生时间预测，并通过图覆盖诊断优化邻域图构建与性能权衡。