Learning Fair Policies for Multi-stage Selection Problems from Observational Data

要約

多段階選択問題に対する公平な政策を観測データから学習する問題を考察する。
この問題は、企業の採用、ローンの承認、保釈の決定など、結果 (キャリアの成功、ローンの返済、再犯など) が選択された者のみに観察される、いくつかのリスクの高い分野で発生します。
私たちは、人口統計上の平等や機会均等など、さまざまな公平性の制約を強化できる多段階のフレームワークを提案します。
この問題は、共変量と結果の未知の同時分布を伴う、非常に難解な無限の確率制約プログラムです。
選択決定が人々の命と生計に及ぼす潜在的な影響を動機として、私たちは解釈可能な線形選択ルールに焦点を当てることを提案します。
因果推論とサンプル平均近似のツールを活用し、混合バイナリ円錐最適化問題を解くことで、この選択問題に対する漸近的に一貫した解を取得します。この問題は、標準の既製ソルバーを使用して解くことができます。
私たちは、UCI リポジトリから適応されたさまざまなデータセットに対して広範な計算実験を実施し、その結果、私たちが提案するアプローチは、既存の選択ポリシーと比較して精度で 11.6% の向上と不公平さの尺度の 38% 削減を達成できることを示しました。

要約(オリジナル)

We consider the problem of learning fair policies for multi-stage selection problems from observational data. This problem arises in several high-stakes domains such as company hiring, loan approval, or bail decisions where outcomes (e.g., career success, loan repayment, recidivism) are only observed for those selected. We propose a multi-stage framework that can be augmented with various fairness constraints, such as demographic parity or equal opportunity. This problem is a highly intractable infinite chance-constrained program involving the unknown joint distribution of covariates and outcomes. Motivated by the potential impact of selection decisions on people’s lives and livelihoods, we propose to focus on interpretable linear selection rules. Leveraging tools from causal inference and sample average approximation, we obtain an asymptotically consistent solution to this selection problem by solving a mixed binary conic optimization problem, which can be solved using standard off-the-shelf solvers. We conduct extensive computational experiments on a variety of datasets adapted from the UCI repository on which we show that our proposed approaches can achieve an 11.6% improvement in precision and a 38% reduction in the measure of unfairness compared to the existing selection policy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google