公平为谁？用 Nash 福利积批判性重构公平

近期关于机器学习应用中差异影响的研究引发了围绕公平概念及其不同准则形式化的辩论。许多此类方法侧重于在最大化机构单一效用的同时减少预测误差。本文旨在通过强调文献中常见公平理解所内嵌的偏见，以及这些理解与相应经济学和法学定义的对比，对现有公平话语进行重新概念化与批判性重构。本文引入福利经济学与博弈论既有文献中的概念，拓展了效用与公平的概念。随后，我们通过定义 Nash 福利积（Nash Welfare Product）的形式化来将这些概念转化至算法预测领域，该形式化试图通过将使用预测工具的机构与受预测影响的个体的效用坍缩为一个函数来拓展效用。接着我们应用一个调制函数，基于指定的政策目标使公平与福利的权衡显式化，并将其应用于时间模型以考虑单次预测范围之外决策的影响。我们将其应用于一个二分类问题，并基于 UCI Adult Income 数据集给出了多轮模拟结果，以及对 ProPublica 累犯数据集的测试用例分析，结果表明拓展效用概念可在不牺牲分类器准确性的前提下，纠正数据集中内嵌的偏见，从而实现更公平的分配。