Fairness in Forecasting of Observations of Linear Dynamical Systems
线性动态系统观测预测中的公平性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：摘要关注一般动态系统预测公平性及保险、司法数据应用，未明确对应所列宏观预测或金融计量方向。
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…
线性动态系统观测预测中的公平性
- 研究问题
- 研究不同人群在训练数据中代表性不足时，如何为含潜在状态的动态系统预测定义公平性，并将公平要求纳入学习过程。
- 方法与思路
- 作者提出子群公平与瞬时公平，将预测均等扩展到动态系统学习，再用非交换多项式优化的凸化层级求解约束问题并利用稀疏性加速。
- 材料陈述的贡献
- 摘要称，所提公平约束学习方法具有全局收敛性，稀疏性可降低运行时间，并在保险背景的偏置数据与 COMPAS 数据上展示效果。
- 阅读关注点
- 应核对两类公平定义、潜在状态模型的设定、凸化层级的收敛含义，以及公平约束对预测误差、计算成本和子群表现的影响。
- 阅读边界
- 所据版本为 arXiv 预印本，同行评审与期刊接收未核实；摘要未说明收敛条件、公平性度量细节或实验中的量化权衡。
原文摘要
In machine learning, training data often capture the behaviour of multiple subgroups of some underlying human population. This behaviour can often be modelled as observations of an unknown dynamical system with an unobserved state. When the training data for the subgroups are not controlled carefully, however, under-representation bias arises. To counter under-representation bias, we introduce two natural notions of fairness in time-series forecasting problems: subgroup fairness and instantaneous fairness. These notions extend predictive parity to the learning of dynamical systems. We also show globally convergent methods for the fairness-constrained learning problems using hierarchies of convexifications of non-commutative polynomial optimisation problems. We also show that by exploiting sparsity in the convexifications, we can reduce the run time of our methods considerably. Our empirical results on a biased data set motivated by insurance applications and the well-known COMPAS data set demonstrate the efficacy of our methods.