不同公平定义之间存在数学冲突
别名: 公平的不可能性 · fairness impossibility · incompatibility of fairness criteria
概念解释
算法语境下的「公平」不是一个概念而是一族互不相同的统计定义：校准（对同一风险分数，各群体的实际违约/复犯/患病率相同）、错误率均衡（假阳性率与假阴性率在各群体相同）、均等化几率（真实标签给定时不区分群体）、人口均等（各群体获得正预测的比例相同）。公平的不可能性结果（impossibility of fairness）指：当不同群体的基础比率不同且预测不完美时，这些定义中的若干对无法同时满足——满足其一必然违反其二。这不是工程还没做好，而是数学上不存在同时满足的解。
机制
冲突的根源在条件概率的结构。基础比率不同意味着同一分数在不同群体携带不同的真实含义：若强制各群体同分数同含义（校准），则高分数在基础比率高的群体必然抓到更多真实阳性，假阳性率随之不同；若强制假阳性率相等，就必须给基础比率高的群体设更高门槛或给低者降门槛，分数的含义就不再一致。只有两种退化情形可以逃出冲突：预测完美到不出错，或各群体基础比率本就相同。而每一种定义各自对应一种道德立场——校准适合风险告知（不吓唬低风险人群），错误率均衡适合惩罚性决定（错抓的代价由群体均摊），选择哪个定义，是替产品选一种立场，不是选一个更「正确」的公式。
怎么研究
不可能性定理已从数学上给出证明（针对校准与错误率均衡等准则的两两不相容），研究者可据此推导自己系统中哪些准则对可以共存。实证路线是对已部署系统做审计：按群体分错误率，检验违反了哪条准则、差距多大；变量包括群体基础比率差、模型判别力与决策门槛。方法论注意点：基础比率通常不可直接观测（真实犯罪率、真实风险没有地面真值），审计只能用代理结果，代理本身可能带偏——「逮捕记录≠犯罪」这一类失真会在群体比较里放大。
边界
不可能性只在「基础比率不同 + 预测不完美」时成立：二分类、单一决策点的标准设定。不适用的情况包括：预测质量极高时冲突趋近消失（但商业模型很少达到）；决策可以不用分数而用个体化程序（人工复核、举证）时，统计准则之间的张力让位于程序设计；多阈值系统通过给不同群体设不同门槛可以满足某一侧准则，但会引入「同样分数不同待遇」的新争议，只是把冲突换了位置。
怎么落地
- 在需求阶段写下所选准则及其对应的伤害模式：这个决定的错误落在哪侧、谁承担，据此选校准或错误率均衡。
- 记录被放弃的准则与放弃理由，作为决策文档的一部分；上线后按放弃的准则复查，确认代价仍在可接受范围。
- 部署前用真实群体基础比率做仿真，验证所选准则在当前数据下到底能不能近似满足，而不是默认满足。
- 验证：输出一张分群体的分数—结果对照表，任何一列的条件比率跨群体偏离超过预设阈值即触发复核。