[論文レビュー] Trade-offs Between Individual and Group Fairness in Machine Learning: A Comprehensive Review

Sandra Benítez-Peña, Blas Kolic+2 more|arXiv (Cornell University)|Jan 23, 2026

Ethics and Social Impacts of AI被引用数 0

ひとこと要約

この論文は、グループフェアネス（GF）と個人フェアネス（IF）を同時に扱う方法を概説し、そのトレードオフを分析し、ハイブリッドフェアネスアプローチの分類と批評を提供する。

ABSTRACT

Algorithmic fairness has become a central concern in computational decision-making systems, where ensuring equitable outcomes is essential for both ethical and legal reasons. Two dominant notions of fairness have emerged in the literature: Group Fairness (GF), which focuses on mitigating disparities across demographic subpopulations, and Individual Fairness (IF), which emphasizes consistent treatment of similar individuals. These notions have traditionally been studied in isolation. In contrast, this survey examines methods that jointly address GF and IF, integrating both perspectives within unified frameworks and explicitly characterizing the trade-offs between them. We provide a systematic and critical review of hybrid fairness approaches, organizing existing methods according to the fairness mechanisms they employ and the algorithmic and mathematical strategies used to reconcile multiple fairness criteria. For each class of methods, we examine their theoretical foundations, optimization mechanisms, and empirical evaluation practices, and discuss their limitations. Additionally, we discuss the challenges and identify open research directions for developing principled, context-aware hybrid fairness methods. By synthesizing insights across the literature, this survey aims to serve as a comprehensive resource for researchers and practitioners seeking to design hybrid algorithms that provide reliable fairness guarantees at both the individual and group levels.

研究の動機と目的

• 高リスクな機械学習決定においてGFとIFの両方に対処するフェアネス手法の必要性を動機づける。
• フェアネス機構を横断するハイブリッドGF–IFアプローチの統一的フレームワークと分類法を提供する。
• 既存手法の理論的基礎、最適化戦略、評価実践を批判的に評価する。
• 文脈認識型で原理的なハイブリッドフェアネス手法の限界と今後の研究課題を特定する。

提案手法

• GFとIFの両方を扱う文献を系統的かつ批判的にレビューする。
• 複数の基準を調和させる最適化戦略とフェアネス機構でアプローチを分類する。
• 文献を整理するために、方法論的分類と実証的実装の二つの補完的な表を提示する。
• GFとIFの理論的不整合とトレードオフをPareto前沿の考慮を含めて議論する。
• 統一的な表記法を定義し、GFとIFの概念を形式的に明示して研究間の比較を可能にする。

Figure 1 : Trade-off between group and individual fairness. Left : observations from two groups in feature space $X$ , where edges indicate similar individuals (using $k$ -nearest neighbors) who should receive similar decisions (individual fairness). A single global threshold (gray radius) maximizes

実験結果

リサーチクエスチョン

• RQ1 単一の学習フレームワークでGroup FairnessとIndividual Fairnessを明示的に統合する既存の方法は何か。
• RQ2 GFとIFはどのように相互作用し、両方を同時に最適化したときにどのようなトレードオフが生じるか。
• RQ3 データ、表現、モデルの段階を横断してハイブリッドGF–IFアプローチを特徴づける分類法と設計原理は何か。
• RQ4 principledで文脈認識型のハイブリッドフェアネス手法の主な制約と未解決の方向性は何か。

主な発見

• GFとIFはしばしば数学的に互換性がなく、片方を改善するともう片方が害になるトレードオフにつながる。
• データ変換、再重み付け、表現学習、拡張、正則化を軸とした多様なハイブリッド手法が存在する。
• 文献は方法論的分類と計算資源とデータセットの実用評価の二重の表を提示する。
• 多くの研究はグループレベルと個人レベルのフェアネスをバランスさせるためのトレードオフや結合目的を明示的にモデル化している。
• 本レビューは文脈認識型で原理的な手法が両レベルでの公正性を保証するための未解決の課題と方向性を強調する。

(a) Excluding arXiv.