Equalized Odds
Fairness-Kriterium: Ein Modell erfüllt Equalized Odds, wenn True Positive Rate und False Positive Rate über alle geschützten Gruppen gleich sind.
Equalized Odds fordert gleiche Fehlerquoten (TPR/FPR) über alle Gruppen – strenger als Demographic Parity, aber mathematisch oft inkompatibel damit.
Erklärung
Anders als Demographic Parity berücksichtigt Equalized Odds das tatsächliche Label (Ground Truth). Es fordert: Bei gleichem tatsächlichen Outcome sollen alle Gruppen gleich behandelt werden. Relaxierte Version: Equal Opportunity (nur TPR gleich).
Relevanz für Marketing
Relevanter Fairness-Standard für Hochrisiko-Entscheidungen: Kredit-Scoring, Hiring, medizinische Diagnose – wo falsche Ergebnisse je nach Gruppe nicht unterschiedlich häufig sein sollten.
Häufige Fallstricke
Mathematisch inkompatibel mit Demographic Parity (außer bei perfektem Modell oder gleichen Basisraten). Braucht Ground Truth Labels – die selbst biased sein können.
Entstehung & Geschichte
Hardt, Price & Srebro definierten Equalized Odds 2016 (NeurIPS). Die Impossibility-Theoreme (Chouldechova 2017, Kleinberg et al. 2016) zeigten, dass verschiedene Fairness-Definitionen nicht gleichzeitig erfüllt werden können.
Abgrenzung & Vergleiche
Equalized Odds vs. Demographic Parity
Demographic Parity ignoriert Ground Truth; Equalized Odds berücksichtigt das tatsächliche Label und fordert gleiche Fehlerquoten.
Equalized Odds vs. Calibration
Calibration fordert gleiche Wahrscheinlichkeits-Bedeutung über Gruppen; Equalized Odds fordert gleiche Fehlerquoten.