算法公平性指标（algorithmic fairness metrics）是一组用数字衡量模型在不同群体间是否偏袒的指标，最常见做法是比较各群体的通过率、误差率等差异。
打个比方：小区门禁的人脸识别。如果系统对常住居民放行率 95%，对租客只有 70%，租客就会觉得“门对我更窄”。算法公平性指标就是把这种“门宽差异”算出来。只不过门禁的“通过率”，在信贷、招聘、内容推荐里可能叫审批率、面试率、曝光率。
具体怎么算？先按敏感属性切片，比如性别、年龄、地域、设备类型。然后看两类数字：
- 通过率差异：群体 A 通过率 60%，群体 B 40%，差距 20 个百分点。这对应人口统计学均等（demographic parity）：要求各群体通过率接近。它直观，但没考虑“谁本来合格”。如果两个群体资质分布不同，强行拉平通过率可能对合格者不公平。
- 误差率差异：模型判错的比例。比如合格者被拒的假阴性率（false negative rate, FNR），群体 A 是 10%，群体 B 是 30%，说明模型更容易漏掉 B 的合格者。不合格者被放过的假阳性率（false positive rate, FPR）差异，则说明模型对谁更宽松。
由此衍生出不同口径：
- 机会均等（equal opportunity）：在真正合格的人里，各群体通过率（真正率，true positive rate, TPR）接近。
- 均等概率（equalized odds）：TPR 和 FPR 都接近，更严格。
- 预测率均等（predictive rate parity）：在被模型判为通过的人里，实际合格的比例各群体接近。
| 指标 | 在比较什么 | 直觉 |
|---|---|---|
| 人口统计学均等 | 各群体通过率 | 门开得一样大 |
| 机会均等 | 合格者的通过率（TPR） | 合格的人不该因群体被漏 |
| 均等概率 | TPR 与 FPR | 对合格和不合格都不偏心 |
| 预测率均等 | 通过者中的实际合格比例 | 通过名单别掺水 |
它们和相邻概念不同：准确率（accuracy）看整体对多少，公平性指标看群体间差多少；可解释性（explainability）回答“为什么这样判”，公平性指标回答“对不同群体判得是否均衡”；去偏（debiasing）是改模型的手段，公平性指标是量结果的尺子。
对从业者，实用建议是：上线前按群体切片，报告通过率差、FNR 差、FPR 差，别只报总体准确率。因为总体 90% 可能掩盖某个小群体 50% 的误拒率。还要注意这些指标可能互相冲突，不能全都要，得根据业务选口径。对普通人，看到 AI 面试、信贷审批、内容推荐时，可以多问一句：不同群体的通过率和误拒率差多少？具体合规阈值和披露要求，以所在机构或监管官方页面为准。