Neyman-Pearson与机会均等：当效率遇见分类中的公平性
统计方法学
2025-04-15 v2
摘要
组织通常依赖统计算法来做出具有社会和经济影响的决策。我们必须解决这些重要自动化决策中的公平性问题。另一方面，经济效率对组织的生存与成功仍然至关重要。因此，在现实世界的数据科学解决方案中推进公平性时，对公平与效率的恰当双重关注是必不可少的。作为朝向这一双重关注的首批努力之一，我们将机会均等（EO）约束纳入Neyman-Pearson（NP）分类范式。在这一新的NP-EO框架下，我们（a）推导了预言分类器，（b）提出了基于有限样本的分类器，其以高概率满足总体层面的公平与效率约束，以及（c）在模拟与真实数据集上展示了我们算法的统计与社会有效性。
引用
@article{arxiv.2310.01009,
title = {Neyman-Pearson and equal opportunity: when efficiency meets fairness in classification},
author = {Jianqing Fan and Xin Tong and Yanhui Wu and Lucy Xia and Shunan Yao},
journal= {arXiv preprint arXiv:2310.01009},
year = {2025}
}