Fairness in Matching under Uncertainty

要約

アルゴリズムによる両面マーケットプレイスの普及と重要性により、そのような設定における公平性の問題に注目が集まっています。
アルゴリズムによる決定は、学生を学校に、ユーザーを広告主に、応募者を就職面接に割り当てる際に使用されます。
これらの決定は、個人の好みに留意すると同時に、個人のメリット（適合性、将来のパフォーマンス、またはニーズと同義）に関して公平である必要があります。
観察可能な特徴に条件付けされたメリットは常に \emph{不確実} ですが、この事実は、観察可能な特徴からメリットを推論するために機械学習アルゴリズムが広く使用されていることでさらに悪化しています。
私たちの主な貢献として、メリットの不確実性を尊重する両面市場環境における個人の公平性の概念を慎重に公理化します。
実際、不確実性が不公平の主な潜在的原因であることと、それに対処するアプローチを同時に認識しています。
我々は、配分全体にわたって公平な効用を最大化する分布を見つけるための線形計画法フレームワークを設計し、この線形計画法が不確実なメリット分布の推定パラメータの摂動に対して堅牢であることを示します。これは、このアプローチと機械学習技術を組み合わせる際の重要な特性です。

要約(オリジナル)

The prevalence and importance of algorithmic two-sided marketplaces has drawn attention to the issue of fairness in such settings. Algorithmic decisions are used in assigning students to schools, users to advertisers, and applicants to job interviews. These decisions should heed the preferences of individuals, and simultaneously be fair with respect to their merits (synonymous with fit, future performance, or need). Merits conditioned on observable features are always \emph{uncertain}, a fact that is exacerbated by the widespread use of machine learning algorithms to infer merit from the observables. As our key contribution, we carefully axiomatize a notion of individual fairness in the two-sided marketplace setting which respects the uncertainty in the merits; indeed, it simultaneously recognizes uncertainty as the primary potential cause of unfairness and an approach to address it. We design a linear programming framework to find fair utility-maximizing distributions over allocations, and we show that the linear program is robust to perturbations in the estimated parameters of the uncertain merit distributions, a key property in combining the approach with machine learning techniques.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google