多阶段筛选：在已有流程中强制公平并最大化效率

考虑一个使用一系列分类器做出筛选决策的参与者，我们称之为序贯筛选过程。早期阶段过滤掉部分申请者，在最终阶段对进入终选的个体施以昂贵但准确的测试。由于最终阶段昂贵，若多个群体在倒数第二阶段的正例比例不同（即便差距微小），企业可能自然只将最终（面试）阶段应用于精度最高的群体，这对其他群体显然不公平。即便要求企业面试所有通过终轮者，测试本身也可能存在如下性质：某些群体中合格个体比其他群体中合格个体更易通过。因此，我们考虑要求机会均等（各群体的合格个体到达最终阶段并被面试的机会相同）。继而我们考察在该约束下最大化决策者关注量的目标，其通过基于前阶段表现修改各阶段筛选过程中的晋升概率来实现。我们展示了满足筛选过程机会均等并最大化精度（产生合格候选人的面试比例）以及终选阶段精度与召回率的线性组合（召回率决定每次录用所需申请者数）的算法。我们还给出示例表明解空间非凸，这催生了用于最大化精度与召回率线性组合的确切与（FPTAS）近似算法。最后，我们讨论了增加额外限制（如不允许决策者在决策中使用群体归属）的“代价”。