通过具有演化偏置反馈的多臂老虎机缓解亲和力偏差
机器学习
2025-03-10 v1 机器学习
摘要
无意识偏差已被证明会影响我们评估同龄人的方式，进而影响招聘、晋升和录取。在本工作中，我们关注亲和力偏差，即无意识偏差中导致我们偏好与自己相似之人的部分，尽管这并非出于故意的偏袒。在当今受雇者成为明日招聘委员会成员的世界中，我们特别感兴趣于理解（并缓解）亲和力偏差如何影响这一反馈回路。该问题有两个显著特征：1）我们仅能观察到候选人的偏置价值，但希望针对其真实价值进行优化；2）对具有特定特征集合的候选人的偏差，取决于招聘委员会中具有相同特征集合的人员比例。我们引入了一种展现这两个特征的新多臂老虎机变体，称之为亲和力老虎机。不出所料，UCB 等经典算法在此设置下通常无法识别最佳臂。我们证明了一个新的实例相关遗憾下界，该下界比标准老虎机设置中的下界大出一个关于 的乘性函数。由于我们处理的奖励是时变的且依赖于策略过去的动作，推导该下界需要开发超越标准老虎机技术的证明技巧。最后，我们设计了一种淘汰式算法，尽管从未观察到真实奖励，该算法的遗憾几乎匹配该下界。
引用
@article{arxiv.2503.05662,
title = {On Mitigating Affinity Bias through Bandits with Evolving Biased Feedback},
author = {Matthew Faw and Constantine Caramanis and Jessica Hoffmann},
journal= {arXiv preprint arXiv:2503.05662},
year = {2025}
}