Demographic Parity
Fairness-Kriterium: Ein Modell erfüllt Demographic Parity, wenn die Vorhersage-Raten (z.B. Approval-Rate) über alle geschützten Gruppen gleich sind.
Demographic Parity fordert gleiche Vorhersage-Raten für alle Gruppen – die einfachste Fairness-Metrik, aber blind für tatsächliche Qualifikationen.
Erklärung
Demographic Parity fordert: P(Ŷ=1|A=a) = P(Ŷ=1|A=b) für alle Gruppen a, b. Die Vorhersage soll unabhängig vom geschützten Merkmal sein. Einfach zu messen und zu kommunizieren, aber ignoriert Ground Truth.
Relevanz für Marketing
Häufig als erste Fairness-Überprüfung genutzt. Besonders relevant wenn Ground Truth selbst biased sein könnte (z.B. historische Hiring-Daten).
Häufige Fallstricke
Ignoriert Qualifikations-Unterschiede (kann zu "Reverse Discrimination" führen). Mathematisch inkompatibel mit Equalized Odds. Kann die "am wenigsten qualifizierten" einer Gruppe bevorzugen.
Entstehung & Geschichte
Demographic Parity hat Wurzeln im US-Bürgerrechtsdiskurs und der 80%-Regel der EEOC. In ML formalisiert durch Dwork et al. (2012). Die Impossibility-Theoreme zeigten fundamentale Grenzen.
Abgrenzung & Vergleiche
Demographic Parity vs. Equalized Odds
Demographic Parity fordert gleiche Raten ohne Blick auf Ground Truth; Equalized Odds fordert gleiche Fehlerquoten unter Berücksichtigung der tatsächlichen Labels.
Demographic Parity vs. Individual Fairness
Demographic Parity ist gruppenbasiert; Individual Fairness fordert, dass ähnliche Individuen ähnlich behandelt werden.