Nov, 2023

设计动态系统中的长期群体公平策略

PDF
TL;DR在这篇论文中，我们提出了一个新的框架，用于在动态系统中实现长期群体公平性，即使在政策设计过程中已经考虑了公平性。我们通过使用时间齐次马尔可夫链对系统动态进行建模，并利用马尔可夫链收敛定理优化政策，确保独特的收敛性。我们给出了一些系统的不同目标公平状态的示例，并展示了我们的方法如何在长期和收敛之前评估不同目标对群体条件人口分布的影响和演化。
发现论文，激发创造
  • 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

  • 未知动态下的长期公平性

    本文提出了一种在在线强化学习中形式化长期公平的方法；该方法可以适应不同的控制目标，通过牺牲短期激励来推动分类器 - 人群系统朝着更理想的均衡状态发展，从而在损失和公平违规之间实现同时概率边界的算法。

    Apr, 2023

  • 从公平决策到社会平等

    本文研究了在智能决策系统中公平性的一个重大问题，即如何在决策过程中考虑人口的长期影响。我们提出了一个简单却深入的模型，它将考虑到人员选择以及政策对群体资格的影响力，重点研究肯定行动的形式主义。我们的研究明确了这个制约政策对于旨在实现平衡的肯定行动而言的成果，它是对智能决策系统中不断变化着的影响因素与公平性之间关系的重要探究。

    Dec, 2018

  • 基于深度生成模型的长期公平决策

    研究论文通过使用时间因果图和不同人群干预分布之间的 1-Wasserstein 距离作为定量指标，以减少顺序决策系统中的群体差异，研究了长期公平的机器学习。然后，提出了一个三阶段的学习框架，其中决策模型在深度生成模型生成的高保真数据上进行训练，将优化问题制定为执行风险最小化，并采用了重复梯度下降算法进行学习。经验评估证明了所提出方法在合成和半合成数据集上的有效性。

    Jan, 2024

  • 算法决策政策的长期影响：通过社会学习的努力不公和特征隔离

    该研究提出了一种算法公平的努力程度量度标准，并提出了一种数据驱动框架，用于表征算法政策对重塑基础人口的长期影响。

    Mar, 2019

  • 实现序列决策中的长期公平性

    本文提出了一种框架，以实现长期公平的顺序决策制定。通过进行强制性和软性干预，我们提出了将路径特定效应作为测量长期公平性的定量工具的方法。公平的顺序决策制定问题被规定为一个以效用为目标、长期和短期公平性为约束条件的约束优化问题。我们展示了这样一个优化问题可以被转化为一个执行风险优化。最后，使用了重复风险最小化（RRM）进行模型训练，并在理论上分析了 RRM 的收敛性。经验证实，该算法在合成和半合成的时间数据集上表现良好。

    Apr, 2022

  • 决策系统长期公平性的优势正则化策略优化

    本文介绍了使用深度强化学习方法来优化决策的长期公平性，通过比较三个案例，结果表明，我们的方法可以通过正则化不同动作的优势评估来轻松实现公平性约束而不需要奖励工程或牺牲训练效率。

    Oct, 2022

  • 动态系统中的公平因果模型

    本文介绍因果有向无环图作为公平性动态系统研究的一个统一框架，阐明了因果假设如何表达和操作，说明了计算干预数量的重要性，并说明了因果假设能够在已知环境动态的情况下进行模拟和在未知动态下进行干预估计，以实现对短期和长期结果的干预，无论是在群体还是个人的层面上。

    Sep, 2019

  • 通过强化学习在动态系统中找到公平性的平衡点

    在这篇论文中，我们研究了在顺序决策中存在着动态系统的公平性问题，提出了一个基于马尔可夫决策过程的算法框架，通过预处理和处理中方法集成各种公平性考虑，平衡传统公平性、长期公平性和效用。

    Jan, 2024

  • 推荐系统中的长期公平性

    本文提出了一种用于动态公平学习的约束强化学习算法，通过将推荐问题建模为约束马尔可夫决策过程，以解决推荐系统中长期公平性的问题。实验结果表明，该算法在推荐性能、短期公平性和长期公平性方面均具有优越性。

    Jan, 2021