从非专家利益相关者意见中学习社会公平偏好的肾脏分配

现代肾脏分配包含多种智能推荐系统，这些系统因继承训练数据中的偏见而 exhibit 社会歧视。尽管文献中曾尝试研究肾脏分配中的算法公平性，但这些方法用外科医生的决定取代真实结果，因为记录此类结果的延迟很长。然而，用外科医生的决定取代真实结果，忽略了专家利益相关者的偏见以及其他不具备医学专业知识的利益相关者的社会意见。本文缓解了后一 concern，设计一种新颖的公平性反馈调查，以评估接受率预测器（ARP），该预测器预测给定肾脏匹配对中肾脏的接受率。该调查在 Prolific 上启动，是众包平台，收集来自 85 名匿名众包参与者的公众意见。我们提出一种基于最小化社交反馈后悔的社会公平偏好学习算法，该后悔使用一种新颖的逻辑函数公平反馈模型计算。该提议的模型和学习算法通过仿真实验以及 Prolific 数据进行验证。对肾脏分配中群体公平概念的公众偏好被详细估计和讨论。针对 Prolific 调查中测试的特定 ARP，参与者认为其公平。