学习做到公平：一种后果主义的公平决策方法

为使算法公平，机器学习文献主要聚焦于跨种族或性别群体平摊决策、结果或错误率。举例而言，考虑一个假想的政府网约车项目，为临近开庭日的低收入者提供交通援助。遵循该文献，人们可能将乘车分配给每美元估计处理效应最高者，同时约束各种族群体支出相等。然而，该方法忽略了此类约束的下游后果，从而可能诱发意料之外的危害。例如，若某个人口群体住得离法庭更远，强制平等支出必然意味着提供的乘车总数更少，且可能有更多人因缺席法庭受罚。在此我们提出一种替代框架，用于设计以决策后果为先的公平算法。在我们的方法中，首先就可能决策与相应结果的空间引出利益相关者偏好——例如平衡支出均等与出庭率的偏好。随后我们在决策策略空间上优化，以最大化所引出效用的方式作出权衡。为此，我们开发了一种算法，可从数据中为大类具表达力的效用函数高效学习这些最优策略。具体而言，我们使用上下文_bandit（contextual bandit）算法探索策略空间，同时在每一步求解凸优化问题以基于可用信息估计最优策略。这种后果主义范式促成了一种更整体的公平决策路径。