超越子模性：带群体公平约束的随机化集合选择统一框架

机器学习算法在多种重要决策过程中发挥着重要作用，包括定向广告展示、房屋贷款审批和犯罪行为预测。鉴于这些算法的深远影响，它们必须公平运行，不受对人口中某些群体的偏见或成见影响。确保这些算法的公正对于促进平等和避免歧视至关重要。为此，我们引入了一个融合群体公平约束的随机化子集选择统一框架。我们的问题涉及一个全局效用函数和每个群体的一组群体效用函数，此处群体指共享相同属性（如性别）的个体（如人）群体。我们的目标是生成可行子集上的分布，指定每个可行集合的选择概率，以在期望上满足每个群体效用函数的预定配额的同时最大化全局效用函数。注意，全局效用函数与各个群体效用函数之间不一定存在任何直接联系。我们证明该框架统一并推广了机器学习和运筹学中的许多重要应用。我们的算法结果要么改进了已知最佳结果，要么为新的应用提供了首批近似算法。