减少不平等的分解式干预
机器学习
2022-12-09 v3 人工智能
计算机与社会
应用统计
机器学习
摘要
数据科学中大量研究关注算法决策可能引致或放大的针对种族或性别等社会类别的不公平歧视。与此同时，现实世界中的差距在算法决策作出之前便持续存在。本工作中，我们借鉴社会科学引入因果建模与约束优化领域的洞见，开发了一个应对既有现实差距的新颖算法框架。我们称之为“影响补救框架”的该框架旨在衡量现实差距，并发现最优干预策略，以在对某关注结果上服务不足者中改善公平或机会获取。我们开发了一种分解式方法来应对既有差距，其放宽了结构因果模型中使用社会类别所需的典型假设集合。我们的方法灵活纳入反事实，并兼容关于社会类别本质的多种本体论假设。我们通过一个假设案例研究展示影响补救，并将我们的分解式方法与现有最先进方法比较其结构与所得政策建议。与多数最优政策学习工作不同，我们将减少差距本身作为目标，明确将算法能力聚焦于减少不平等。
引用
@article{arxiv.2107.00593,
title = {Disaggregated Interventions to Reduce Inequality},
author = {Lucius E. J. Bynum and Joshua R. Loftus and Julia Stoyanovich},
journal= {arXiv preprint arXiv:2107.00593},
year = {2022}
}