多阶段选择中局部公平性的代价

算法决策的兴起引发了关于如何定义和保证公平性的积极研究，大多聚焦于一次性决策。然而，在招聘等若干重要应用中，决策是在多个阶段做出的，且每个阶段都有额外信息。在此类情形下，公平性问题仍知之甚少。本文研究在每一阶段观测到额外特征的 k-阶段选择问题中的公平性。我们首先引入两种公平性概念，局部（每阶段）与全局（最终阶段）公平性，将经典公平性概念扩展到 k-阶段设定。我们提出一个基于概率公式的简单模型，并证明最大化精度的局部与全局公平选择可通过线性规划计算。随后我们定义局部公平性的代价以度量由局部约束引起的精度损失，并从理论与实证两方面考察该量。特别地，我们的实验表明，当敏感属性在第一阶段被观测时，局部公平性的代价通常更小；但当敏感属性在第二阶段被观测时，全局公平选择更具局部公平性——因此在两种情况下，往往都可能得到一个具有较小局部公平性代价且接近局部公平的选择。