个体公平
Parent: ai_keywords
个体公平（Individual Fairness）
【核心定义】
个体公平是算法公平性理论中的关键准则，旨在保证“相似的个体应受到相似对待”。形式化而言，给定一个非对称的距离度量 (d(x, y)) 描述个体在敏感属性（如年龄、性别、种族）无关的特征空间中的相似性，算法 (M) 需满足 (|M(x) - M(y)| \leq d(x, y))，即模型输出的差异不能超过个体间固有特征的差异。该概念由 Dwork 等（2012）提出，强调对每个独立个体的尊重，区别于要求群体间统计均值的群体公平。
【关键技术点】
- 相似性度量构建：需要定义任务相关的“合法”特征空间（如使用 Mahalanobis 距离、学习到的公平度量），排除敏感属性及其代理变量，是落地难点。
- 公平约束优化：通过拉格朗日对偶、对抗训练或梯度惩罚将个体公平条件嵌入损失函数，促使模型在局部区域保持 Lipschitz 连续性。
- 与群体公平的权衡：个体公平可能加剧群体层面的差异（如为保持局部相似性而放大群体均值差），需联合优化或采用 Pareto 前沿方法。
- 审计与验证：对任意样本对采样并计算实际输出差异与特征距离的比值，统计超过阈值比例作为违反个体公平的指标。
【医学/神经科学应用场景】
以首都医科大学附属北京天坛医院（国家神经系统疾病临床医学研究中心）脑卒中预后预测为例。模型基于梗死体积、NIHSS 评分、灌注成像等神经病学特征，预测患者 90 天 mRS 评分。若未施加个体公平约束，同质患者（病灶部位、侧支代偿相似）可能因年龄或医保类型不同而获得显著差异的预后评分，导致后续康复资源分配偏倚。引入个体公平后，对特征空间进行加权（如重点保留脑网络连接指标，删除社会经济代理变量），使得相似神经电生理（如 EEG 慢波分布）与影像学模式的个体获得相近预测，从而确保诊疗决策的个体化公正性，符合首都医科大学倡导的“精准与公平并重”的神经病学伦理。
