Optimal data-driven hiring with equity for underrepresented groups
兼顾代表性不足群体公平性的最优数据驱动招聘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：摘要研究公平招聘的决策优化，未明确涉及给定分类中的离散选择估计或因果识别方法。
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
兼顾代表性不足群体公平性的最优数据驱动招聘
- 研究问题
- 招聘者根据申请人可观测属性选择候选人时，如何兼顾企业目标与受保护属性的公平约束，避免忽略该属性仍产生偏差？
- 方法与思路
- 作者构造在函数形式上依赖受保护属性、但统计上不依赖该属性的招聘政策，并在所定义的公平政策集合内证明其最优性。
- 材料陈述的贡献
- 摘要称提出的政策在公平约束下对企业目标最优，合成及真实数据测试显示改善代表性不足和历史边缘群体公平性的潜力。
- 阅读关注点
- 应核对函数依赖与统计不依赖的精确定义、公平约束和企业目标，以及最优性证明范围、数据测试与群体公平评价指标。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未经核实；摘要未说明最优性条件或改善数值，其公平定义不能直接覆盖所有公平标准。
原文摘要
We present a data-driven prescriptive framework for fair decisions, motivated by hiring. An employer evaluates a set of applicants based on their observable attributes. The goal is to hire the best candidates while avoiding bias with regard to a certain protected attribute. Simply ignoring the protected attribute will not eliminate bias due to correlations in the data. We present a hiring policy that depends on the protected attribute functionally, but not statistically, and we prove that, among all possible fair policies, ours is optimal with respect to the firm's objective. We test our approach on both synthetic and real data, and find that it shows great practical potential to improve equity for underrepresented and historically marginalized groups.