长期公平性的达成与脆弱性

为当前决策工具配备公平性、均衡性或其他伦理驱动结果的概念，是机器学习、人工智能和优化领域近期研究工作的首要任务之一。在本文中，我们研究如何向局部相互作用的社区分配有限资源，以最大化相关的均衡性概念。特别地，我们考察动态设定：分配在多个周期（如每年）中重复进行，地方社区在此期间演化（由所提供的分配驱动），且分配受来自社区自身的反馈调节。我们采用源自数据驱动反馈在线优化的近期数学工具，使社区能够学习其（可能未知的）演化、满意度，并可与决策机构共享信息。我们设计动态策略，收敛到最大化长期均衡性的分配。我们进一步以撒哈拉以南国家医疗与教育补贴设计的现实例子展示我们的模型与方法。我们设定中的一个关键实证结论是：长期均衡性是脆弱的，即当中决策机构在分配策略中权衡其他因素（如分配平等）时，它很容易被丧失。此外，一种朴素折中虽未给社区带来显著益处，却可能加剧社会结果的不平等。