مع تزايد انتشار أنظمة التصنيف الآلي، ظهرت مخاوف من قدرتها على تعزيز وتضخيم التحيزات الاجتماعية الحالية. في ضوء هذه القضية، تم اقتراح العديد من الطرق لتعزيز ضمانات العدالة للمصنفات. تفترض معظم التدخلات الحالية الوصول إلى معلومات المجموعة لجميع الحالات، وهو شرط نادراً ما يتم الوفاء به في الممارسة العملية. تم الاقتراب من تحقيق العدالة دون الوصول إلى المعلومات الديموغرافية غالبًا من خلال تقنيات التحسين القوي، التي تستهدف أسوأ النتائج المتوقعة على مجموعة من التوزيعات المحتملة المعروفة باسم مجموعة عدم اليقين. ومع ذلك، فإن فعاليتها تتأثر بشدة بمجموعة عدم اليقين المختارة. في الواقع، غالبًا ما تفرط الأساليب الحالية في التركيز على الحالات الشاذة أو السيناريوهات المتشائمة بشكل مفرط، مما يضر بكل من الأداء العام والعدالة. للتغلب على هذه القيود، نقدم SPECTRE، وأساليب عدالة minimax التي تعدل طيف رسم ملامح فوريير البسيط وتقيد مدى انحراف توزيع أسوأ حالة عن التوزيع التجريبي. نقوم بتنفيذ تجارب واسعة على مجموعات بيانات المسح المجتمعي الأمريكي تشمل 20 ولاية. تأتي أمان SPECTRE من تقديمه لأعلى القيم المتوسطة في ضمانات العدالة جنبًا إلى جنب مع أصغر مدى ربعي مقارنة بالطرق المتطورة، حتى بالمقارنة مع تلك التي لديها وصول إلى معلومات المجموعات الديموغرافية. بالإضافة إلى ذلك، نقدم تحليلًا نظريًا يستخرج حدودًا قابلة للحساب على خطأ أسوأ حالة لكل من المجموعات الفردية والسكان الكلي، بالإضافة إلى وصف التوزيعات الأسوأ حالة المسؤولة عن هذه الأداءات المتطرفة.
دراسات Barrein كوا وآخرون (الخميس) هذا السؤال.