Identifying the desert decision rule to assess and achieve fairness
识别应得决策规则以评估与实现公平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：摘要明确涉及因果可解释假设下的非参数识别与结构化的不公平机制建模，故对应因果推断与结构估计两个方向。
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…
关注这篇论文的作者
识别应得决策规则以评估与实现公平
- 研究问题
- 摘要称，研究在数据可能编码系统性偏差时如何评估与实现决策公平，核心问题是把预测目标从可能有偏的观测决策转向个体应得的潜在决策。
- 方法与思路
- 作者提出应得决策这一潜变量框架，在关于应得决策公平性与观测决策不公平机制的可因果解释假设下建立非参数识别结果，并给出筛极大似然估计与基于影响函数的估计方法及敏感性分析。
- 材料陈述的贡献
- 摘要称其贡献在于将公平问题与测量误差模型相连接，使预测准确性与相对于合适目标的公平性相一致，并提供对不公平机制的结构化建模途径。
- 阅读关注点
- 阅读全文时应核对识别假设的具体表述与可检验性、应得决策的可解释性、估计量的渐近性质，以及敏感性分析所覆盖的违背情形。
- 阅读边界
- 仅凭摘要无法判断假设的现实合理性、估计的有限样本表现与实证适用性；该文为 arXiv 预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
We study fairness in decision-making when the data may encode systematic bias. Existing approaches typically impose fairness constraints while predicting the observed decision, which may itself be unfair. We propose a novel framework for characterising and addressing fairness issues by introducing the notion of desert decision, a latent variable representing the decision an individual rightfully deserves based on their actions, efforts, or abilities. This formulation shifts the prediction target from the potentially biased observed decision to the desert decision. We advocate achieving fair decision-making by predicting the desert decision and assessing unfairness by the discrepancy between desert and observed decisions. We establish nonparametric identification results under causally interpretable assumptions on the fairness of the desert decision and the unfairness mechanism of the observed decision. For estimation, we develop a sieve maximum likelihood estimator for the desert decision rule and an influence-function-based estimator for the degree of unfairness. Sensitivity analysis procedures are further proposed to assess robustness to violations of identifying assumptions. Our framework connects fairness with measurement error models, aligning predictive accuracy with fairness relative to an appropriate target, and providing a structural approach to modelling the unfairness mechanism.