Detecting and Mitigating Bias by Treating Fairness as a Symmetry Operation

Este estudio formaliza el sesgo en sistemas de aprendizaje automático como una operación de ruptura de simetría, definiendo la equidad como la invariancia al cambiar atributos sensibles contrafactuales. Implementa la regularización basada en pérdidas para restaurar la simetría, logrando más del 90% de reducción de violación de sesgo con un costo de precisión de alrededor del 5%.