先见为设计：面向最优性能公平性权衡的多利益相关者视角

算法决策中的公平性通常定义在预测空间内，其中预测性能——用作决策者（DM）效用函数的代理——与基于预测的公平性概念（如人口公平或机会平等）进行权衡。然而，这种视角忽略了预测如何转化为决策，最终转化为DM和决策主体（DS）的效用及福利，以及这些效用在社会敏感群体之间的分配。在本文中，我们提出一种基于福利经济学和分配正义的多利益相关者框架，用于公正的算法决策，显式地建模DM和DS的效用，并通过社会计划员效用定义公平性，这一效用捕捉了在不同基于正义的公平性概念（如平等主义、罗尔斯主义）下，DS效用在群体间的不平等。我们将公正决策建模为后验多目标优化问题，刻画了在DM效用和社会计划员效用的二维效用空间中，在不同决策策略类别（确定性 vs. 随机，共享 vs. 群组特定）下，可实现的性能公平性权衡。使用所提出的框架，我们随后识别了在何种条件下（以利益相关者效用为条件）随机策略优于确定性策略，并经验性地演示了简单随机策略可通过利用结果不确定性实现更优的性能公平性权衡。总体而言，我们主张从预测中心主义公平性转向一种透明、基于正义的多利益相关者方法，该方法支持决策政策的协作设计。