迈向减少在线组合多专家中的偏差

在许多现实情形中，包括求职与贷款申请，把关者必须对某人是否适合某特定机会作出合理且公平的实时决策。本文旨在在线随机决策过程中实现近似群体公平，我们所考虑的公平度量为均等几率（equalized odds）。我们的工作继承自经典的专家学习（learning-from-experts）框架，假设有一组不可修改的有限分类器（人类专家、规则、选项等）。我们针对每个标签类别以及敏感群体分别运行算法实例，其中每个实例被选择的概率在公平与遗憾（regret）两方面均被优化。理论结果表明，近似均等几率可在不牺牲过多遗憾的情况下实现。我们还在公平研究领域常用的真实数据集上展示了该算法的性能。