Regularizing fairness in optimal policy learning with distributional targets
分布目标下最优政策学习的公平性正则化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。
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：摘要以处理效果驱动政策选择，并将总体与子群体结果分布作为优化和公平约束对象。
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…
分布目标下最优政策学习的公平性正则化
- 研究问题
- 依据训练数据选择处理政策时，如何在优化总体结果分布的同时，限制子群体结果分布偏离，并允许灵活的目标和公平衡量方式？
- 方法与思路
- 作者在分布目标政策学习中加入对子群体偏离的正则化，允许偏好参数由数据决定，并研究经验成功政策的遗憾界与一致性。
- 材料陈述的贡献
- 摘要称，框架适用于多类目标泛函和公平指标，提供可能含数据驱动偏好参数的遗憾与一致性保证，并给出数值及两个实证示例。
- 阅读关注点
- 应核对处理结果分布的识别条件、公平偏离指标、偏好参数选择规则，以及遗憾界的参照政策和总体最优与子群体公平的权衡。
- 阅读边界
- 仅据所给 OpenAlex 摘要，处理分配机制、识别假设和具体保证未说明；所用公平指标的统计性质不能替代对其规范含义的判断。
原文摘要
A decision maker typically (i) incorporates training data to learn about the relative effectiveness of treatments, and (ii) chooses an implementation mechanism that implies an “optimal” predicted outcome distribution according to some target functional. Nevertheless, a fairness-aware decision maker may not be satisfied achieving said optimality at the cost of being “unfair” against a subgroup of the population, in the sense that the outcome distribution in that subgroup deviates too strongly from the overall optimal outcome distribution. We study a framework that allows the decision maker to regularize such deviations, while allowing for a wide range of target functionals and fairness measures to be employed. We establish regret and consistency guarantees for empirical success policies with (possibly) data-driven preference parameters, and provide numerical results. Furthermore, we briefly illustrate the methods in two empirical settings.