子种群公平性约束下的最优策略选择
机器学习
2026-05-12 v1
摘要
在医疗保健、公共政策和临床开发领域的许多高风险决策中，需要确定一项将统一应用于异构人群的单一策略。监管和公平标准有时要求所选策略在每一个预先指定的子种群中都有充分的表现，而不仅仅是在平均水平上。我们将其形式化为带公平性约束的最优选择（SBFC）问题，旨在识别在满足每个子种群最低阈值的策略中平均表现最高的策略。我们建立了 SBFC 问题实例特定的样本复杂度下界。随后，我们开发了一种带子种群约束的 Track-and-Stop（T-a-S-CS）算法，该算法渐近地达到了该下界。我们将该框架扩展到一般的闭集和基于惩罚的公平性规范，并提供了匹配的保证。数值实验以及使用国际卒中试验的案例研究证明，相较于策略级分配基线，该方法具有显著的效率提升。
引用
@article{arxiv.2605.09945,
title = {Selection of the Best Policy under Fairness Constraints for Subpopulations},
author = {Tingyu Zhu and Yuhang Wu and Zeyu Zheng},
journal= {arXiv preprint arXiv:2605.09945},
year = {2026}
}