通过期望条件协方差发现决策异质性区域
机器学习
2021-10-28 v1 人工智能
摘要
个体在面对相同情境时，常因个人偏好与背景而做出不同决策。例如，法官对某些涉毒犯罪的宽大程度可能不同，医生对某些类型患者如何开始治疗的偏好也可能不同。鉴于这些例子，我们提出了一种算法，用于识别具有高度决策者间分歧的情境类型（例如，案件或患者的类型）。我们将其形式化为一个因果推断问题，寻求决策者分配对决策具有较大因果效应的区域。我们的算法通过最大化一个经验目标来发现此类区域，并给出了其性能的泛化界。在半合成实验中，我们表明与基线相比，我们的算法能准确恢复正确的异质性区域。最后，我们将算法应用于真实世界的医疗数据集，恢复出的变异与现有临床知识一致。
引用
@article{arxiv.2110.14508,
title = {Finding Regions of Heterogeneity in Decision-Making via Expected Conditional Covariance},
author = {Justin Lim and Christina X Ji and Michael Oberst and Saul Blecker and Leora Horwitz and David Sontag},
journal= {arXiv preprint arXiv:2110.14508},
year = {2021}
}
备注
To appear in NeurIPS 2021