关注差距:最优且公平的鼓励政策
机器学习
2026-04-24 v5 机器学习
摘要
在重大领域中,往往无法强制个体接受治疗,因此最优政策规则仅是在个体不遵从治疗建议的情况下给出的建议。我们研究个性化决策问题,其中规划者控制的是进入治疗的治疗建议而非治疗本身。在鼓励的协变量条件无直接效应模型下,政策价值依赖于两个不同对象:对鼓励的响应度与治疗效力。这一建模区分使得诱导的治疗接受率(而非仅建议率)成为自然的公平目标,并可在预算与可及性约束下得到易处理的政策刻画。在确定性算法建议设定中,同一模型将重叠鲁棒性定位于建议-响应模型而非下游结果模型。我们基于 SNAP 福利重新认证提醒数据,以及带电子监控的审前监督释放数据,在案例研究中说明了这些方法。尽管算法分配中不公平的特定补救因情境而异,但其需要同时研究决策的接受率及其下游结果。
引用
@article{arxiv.2309.07176,
title = {Mind the Gap: Optimal and Equitable Encouragement Policies},
author = {Angela Zhou},
journal= {arXiv preprint arXiv:2309.07176},
year = {2026}
}
备注
Updated with major new case study on SNAP recertification benefits