通过休眠专家推进子群公平

我们研究在具有重叠群体与序列预测的设置中改善子群公平性的方法。经典的公平性概念关注某些属性在不同群体间的平衡。然而,在许多应用中,不同群体的目标并非被平等预测,而是被准确预测。我们证明,为多个重叠群体满足此保证的任务并不简单,并表明对于假负率与假正率无加权平均这一简单目标,即便我们拥有在每个子群上分别表现良好的预测器,满足重叠群体的该目标在统计上也可能不可能。在积极的一面,我们表明当个体对其所属不同群体同等重要时,该目标可达成;为此,我们建立了与在线学习中休眠专家(sleeping experts)文献的联系。受相关自然设置中单边反馈的启发,我们将结果推广至此类反馈模型。我们还提供了结果的博弈论解释,考察参与者加入系统并向系统提供其可能拥有的预测器的完整信息的激励。我们以若干关于以计算高效方式可达成保证强度的有趣开放问题作结。