Inference for an Algorithmic Fairness-Accuracy Frontier
算法公平性与准确性前沿的统计推断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：摘要聚焦算法公平性前沿的统计推断，未明确涉及所列因果、面板或其他细分领域。
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
算法公平性与准确性前沿的统计推断
- 研究问题
- 如何利用有限数据估计公平性与准确性的权衡前沿，并检验使用群体身份是否最优、现有算法是否存在歧视更少的替代方案？
- 方法与思路
- 作者提出去偏机器学习前沿估计量，推导其渐近分布与假设检验，并估计给定算法到前沿上最公平点的距离。
- 材料陈述的贡献
- 摘要称，方法支持公平性相关检验和距离推断；模拟评估有限样本表现，医疗管理应用报告了公平性与准确性均改善的替代算法。
- 阅读关注点
- 应核对公平性与准确性的定义、可行算法集合、前沿估计的正则条件，以及医疗应用中替代算法的评估设计。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实；摘要未说明公平性指标、渐近条件及改善幅度，不能推广到其他公平性定义。
原文摘要
Algorithms are increasingly used to aid with high-stakes decision making. Yet, their predictive ability frequently exhibits systematic variation across population subgroups. To assess the trade-off between fairness and accuracy using finite data, we propose a debiased machine learning estimator for the fairness-accuracy frontier introduced by Liang, Lu, Mu, and Okumura (2024). We derive its asymptotic distribution and propose inference methods to test key hypotheses in the fairness literature, such as (i) whether excluding group identity from use in training the algorithm is optimal and (ii) whether there are less discriminatory alternatives to a given algorithm. In addition, we construct an estimator for the distance between a given algorithm and the fairest point on the frontier, and characterize its asymptotic distribution. Using Monte Carlo simulations, we evaluate the finite-sample performance of our inference methods. We apply our framework to re-evaluate algorithms used in hospital care management and show that our approach yields alternative algorithms that lie on the fairness-accuracy frontier, offering improvements along both dimensions.