在医疗、执法和金融等敏感领域部署的机器学习（ML）模型，除了满足效用要求外，还必须保证公平性和隐私性。虽然先前的研究主要关注隐私保护技术对公平性的影响，但公平增强算法如何影响隐私泄露的问题仍然未被充分探讨。本文首次全面研究了公平干预对子群体层面会员推断隐私风险的影响。
我们通过调整似然比攻击（LiRA）进行子群体审计，揭示了聚合评估掩盖的隐私差异。此外，我们还分析了差分隐私（DP）与公平增强方法在不同类别中的交互，表明DP的隐私收益和效用成本在子群体之间分布不均。我们的结果表明，公平干预并不均匀增加隐私风险；其影响依赖于模型架构、子群体大小和缓解策略。这些发现表明，公平性、隐私性和效用必须在子群体层面共同评估，并且我们引入了第一个统一的实证框架，以支持实践中的这种审计。
博主点评： 本文深入探讨了公平性和隐私性之间的复杂关系，强调了在敏感领域中进行全面审计的重要性。通过引入新的实证框架，为未来的研究提供了有力的工具，值得关注。