Jun, 2019

多阶段选择中本地公平的代价

PDF
TL;DR该论文研究了在多阶段决策中，如何定义并保证公平性问题，提出了局部公平和全局公平的概念，并通过线性规划计算最大化精度的局部公平和全局公平选择。此外，还定义了局部公平的代价来衡量因遵循局部公平而导致的精度损失。
algorithmic decision makingfairness$k$-stage selection problemslocal fairnessglobal fairness
发现论文，激发创造
  • 从观测数据中学习多阶段选择问题的公平策略

    通过解决难以计算的无限机会约束程序，提出了一种多阶段框架，用于从观测数据中学习公平策略，该问题与公司招聘、贷款批准或保释决策等高风险领域中的选择相关，我们专注于可解释的线性选择规则，并通过解决混合二次锥优化问题获得了组合评价的解决方案，与现有的选择策略相比，在精确度方面提高了 11.6%，在不公平度方面减少了 38%。

    Dec, 2023

  • 公平感知机器学习的两阶段算法

    论文提出了一种基于两阶段最小二乘法的公平机器学习算法，能够有效处理数据中敏感属性与非敏感属性相关的不公平问题， 其独特之处在于该算法针对回归模型的不公平问题也能做出有效处理，并且能够解决数字敏感属性的问题，经实验验证表现卓越。

    Oct, 2017

  • 多阶段筛选：在现有流程中强制执行公平性和最大效率

    通过在淘汰选手的过程中加入机会均等性限制，本文提出了一种方法来最大化决策者感兴趣的数量，并可以在终止阶段使用精确度和召回率的线性组合来平衡招聘的有效性和效率，同时考虑其他限制，如不允许决策者使用组内成员身份做出决策。

    Mar, 2022

  • 如何公正决策长期资格问题？

    本文针对决策公平性方面的长期影响进行研究，研究人员通过模拟静态公平约束下群体福祉的平等和改进的长期影响以及潜在的干预措施，发现其对于群体福利可同时具有促进平等和增加差距两种影响，同时提出一种理论框架并完成了基于实际数据与模拟动态的社会科学研究。

    Oct, 2020

  • 因果多层公平性

    本文使用因果推断工具对多层次公平性问题进行了形式化描述，并在考虑多层敏感属性的情况下，通过预测收入来演示公平性问题的重要性和解决方法。

    Oct, 2020

  • 两阶段推荐系统公平性的不确定性量化

    本文研究如何在两阶段的推荐系统中保证物品的群体公平性，并提出了两种阈值策略选择规则，从可能存在的部分偏倚的用户反馈数据中推导出置信下限，以近似达到最优阈值的同时，充分考虑了物品在每个组中的期望相关性，实现了充分选取每个组的相关物品并最小化候选集大小。

    May, 2022

  • 多敏感属性的顺序公平机制

    通过多次敏感特征逐步实现公平性，利用多元 Wasserstein 几何中心将 Strong Demographic Parity 的标准推广到具有多个敏感特征的情况，并提供一种闭式解决方案，使得对不同敏感特征之间的相关性有明确的解释，进而实现了风险和不公平性之间的权衡。该方法适用于近似公平性，提供了对特定敏感特征的公平性改进的有针对性优先级，从而实现了针对案例的适应性，通过数据驱动的解决方案估计程序，并在合成和真实数据集上进行了全面的数值实验证明了我们的后处理方法在促进公平决策方面的实际有效性。

    Sep, 2023

  • 不确定性下的排名公平性

    认为不公平主要原因是不确定性，基于观察特征定义不完整，提出明确不确定性的近似公平，计算排名的最佳折衷，实验证明推荐系统在 KDD2020 实现了该方法。

    Jul, 2021

  • 通过表现性分布鲁棒优化实现少数群体的长期公平性

    研究人员扩展了实现预测并加入分布式鲁棒性目标，以解决正式的公平标准存在的四个严重缺陷。

    Jul, 2022

  • 算法公平性的因果特征选择

    本文介绍了一种使用因果干预公平性范例，通过在数据管理的集成组件中考虑公平性来识别特征以提高预测质量而不添加偏差的方法，提出了一种使用条件独立性检测的方法来确定确保干预公平的特征子集，并通过现实世界的数据集进行了详细的实证评估，证明了方法的有效性和效率。

    Jun, 2020