在噪声数据下平衡竞争目标：面向福利感知机器学习的基于分数的分类器
机器学习
2020-07-17 v4 机器学习
摘要
尽管现实世界决策涉及许多竞争目标，算法决策通常仅以单一目标函数评估。本文研究显式权衡私人目标（如利润）与公共目标（如社会福利）的算法策略。我们分析了一类基于学习分数追踪经验帕累托前沿的自然策略，并聚焦于在噪声或数据有限情形下如何做出此类决策。我们的理论结果刻画了该类中最优策略，界定了由分数不精确导致的帕累托误差，并展示了最优策略与一类丰富的公平约束利润最大化策略之间的等价性。随后我们在两个不同情境——在线内容推荐与可持续鲍鱼渔业——中给出实证结果，以强调我们的方法对广泛实际决策的适用性。综上，这些结果揭示了在使用机器学习进行影响社会福利的决策时固有的权衡。
引用
@article{arxiv.2003.06740,
title = {Balancing Competing Objectives with Noisy Data: Score-Based Classifiers for Welfare-Aware Machine Learning},
author = {Esther Rolf and Max Simchowitz and Sarah Dean and Lydia T. Liu and Daniel Björkegren and Moritz Hardt and Joshua Blumenstock},
journal= {arXiv preprint arXiv:2003.06740},
year = {2020}
}