ε-公平的不公平性

May, 2024

The Unfairness of $\varepsilon$-Fairness

Tolulope Fadina, Thorsten Schmidt

TL;DR本文研究了决策过程中的公平性，并提出了基于效用的方法来更准确地评估决策过程的真实世界影响。通过两个实际案例研究，发现传统的概率评估可能无法全面捕捉公平性，而基于效用的方法则可以揭示实现平等的必要行动。总结来说，本文强调了在评估公平性时考虑真实世界背景的重要性。

Abstract

fairness in decision-making processes is often quantified using probabilistic metrics. However, these metrics may not fully capture the real-world consequences of unfairness. In this article, we adopt a

发现论文，激发创造

从平等到基于偏好的分类公平概念

本研究探讨了在自动化数据驱动决策中存在的公平性问题，并基于账单分配和无嫉妒性理论，提出了一种基于偏好的公平性概念及采用可行的代理方法设计符合偏好公平性观念的分类器。通过实验得出此偏好公平性相较于基于平等的公平性更加实用。

Jun, 2017

算法决策中人类对公平性的感知研究: 刑事风险预测案例研究

该研究调查用户对算法决策公平性的看法，并提出了一个框架来了解人们如何认识和判断决策算法的公平性。他们通过与 576 人的一系列情境调查，验证了这一框架，并发现人们关注的不公平问题是多方面的。在高层次上，该研究显示人们的不公平关注是多维度的，未来的研究需解决超出歧视范围的不公平关注问题；在低层次上，研究表明人们在公平判断上存在着相当的分歧，但同时也提出了解决这些分歧的可能途径。

Feb, 2018

量化算法不公平的统一方法：利用不平等指数测量个体和群体的不公平性

本文提出了一种将经济学中的不平等指数应用于算法不公平度量的框架，该框架可以同时量化个体和群体层面上的不公平，同时揭示了不同公平概念之间的权衡。

Jul, 2018

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

一个人机交互框架构建情境感知数学公平概念

提出了一种新的公平学习框架，该框架通过调查人们对于玄学公正性的评估来学习对于决策上下文的考虑，并使利益相关者参与到机器学习公平性的制定中。

Nov, 2019

机器学习公平性概念：与现实世界应用的联系

本文介绍公平概念的多种不同观点，并提出了在真实世界场景下最适合的公平概念，该结果总结于决策图中，以帮助从业者和决策者浏览ML的巨大目录。