Cet article présente un contexte d'intérêt croissant pour les mesures d'équité utilisant l'aire sous la courbe caractéristique d'exploitation du récepteur (AUC) dans des domaines à enjeux élevés tels que la santé, la finance et la justice pénale. Dans ces domaines, l'équité est souvent évaluée sur la base de scores de risque plutôt que de résultats binaires, et l'application de normes d'équité strictes peut dégrader considérablement les performances de l'AUC. Pour résoudre ce problème, nous proposons FairPOT (Fair Proportional Optimal Transport), un nouveau cadre de post-traitement indépendant du modèle qui aligne stratégiquement la distribution des scores de risque entre différents groupes grâce au transport optimal, mais transforme sélectivement une proportion contrôlable des scores au sein du groupe défavorisé (le quantile lambda supérieur). En faisant varier lambda, la méthode proposée permet un compromis ajustable entre la réduction du déséquilibre de l'AUC et le maintien des performances globales de l'AUC. De plus, nous étendons FairPOT à des paramètres d'AUC partiels, permettant ainsi de cibler les interventions d'équité sur les régions les plus à risque. Des expériences approfondies sur des données synthétiques, publiques et cliniques démontrent que FairPOT surpasse systématiquement les techniques de post-traitement existantes, tant dans les scénarios d'ASC globale que partielle, améliorant souvent l'équité avec seulement une légère diminution de l'ASC ou une amélioration positive de l'utilité. L'efficacité de calcul et l'adaptabilité pratique de FairPOT en font une solution prometteuse pour un déploiement en conditions réelles.
