Identification and Inference for Algorithmic Frontiers with Selective Labels
选择性标签下算法公平—准确率前沿的识别与推断AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦选择性标签下算法前沿的通用识别与推断，未明确研究因果效应或其他所列专属方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
选择性标签下算法公平—准确率前沿的识别与推断
- 研究问题
- 当结果标签仅能在被选择的个体中观察到时，如何识别算法公平与准确率的可行前沿，并对该前沿进行假设检验和区间推断？
- 方法与思路
- 作者在选择机制不受限但损失形式受限时刻画尖锐识别区域；在给定可观测变量无混杂时，提出去偏机器学习估计与渐近推断。
- 材料陈述的贡献
- 摘要称提供前沿的部分识别与点识别结果，以及检验和置信集合工具；扩展至更广损失函数类别的工作仍在进行中。
- 阅读关注点
- 应核对公平与损失的定义、尖锐区域刻画所需限制、选择无混杂条件，以及前沿估计的渐近分布和置信集合构造。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收均未核实；摘要未给出完整条件，且更广损失函数的部分识别扩展尚未宣称完成。
原文摘要
This paper provides identification results to characterize a fairness-accuracy (FA) frontier, and statistical inference tools to test hypotheses and build a confidence set for the FA-frontier, when outcomes are observed only for selected individuals. When the selection process is unrestricted but loss is measured in specific ways, we provide a characterization of the sharp identification region of the FA-frontier. Under an assumption of unconfoundedness conditional on observables (and unrestricted loss functions), we obtain point identification and propose a debiased machine learning estimator, derive its asymptotic distribution, and show how this can be used to carry out inference for the FA-frontier. In work in progress, we extend the partial identification results to a broader class of loss functions.