Binary choice under asymmetric loss in a data‐rich environment: Theory and an application to algorithmic fairness
数据丰富环境中非对称损失下的二元选择：理论与算法公平性应用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：摘要直接研究一般非对称损失函数下的二元选择与决策规则。
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…
数据丰富环境中非对称损失下的二元选择：理论与算法公平性应用
- 研究问题
- 在协变量丰富且错误决策损失不对称的环境中，如何计算具有理论依据的二元决策，并应用于审前羁押的算法公平性？
- 方法与思路
- 作者依据一般损失函数对样本重新加权，将逻辑回归或现有机器学习技术用于二元决策，使决策规则体现损失差异。
- 材料陈述的贡献
- 摘要称简单的损失加权即可实现一般损失函数下具有理论依据的决策，并将分析应用于审前羁押中的算法公平性问题。
- 阅读关注点
- 应核对损失函数允许如何依赖协变量、加权与目标决策的对应关系，以及理论有效性的条件和公平性应用采用的评价标准。
- 阅读边界
- 解读限于所给 Crossref 摘要；摘要未说明损失设定、理论保证的具体形式或公平性结果，不能据此认定某种公平标准已被满足。
原文摘要
We study the binary choice problem in a data‐rich environment with asymmetric loss functions. The econometrics literature covers nonparametric binary choice problems but does not offer computationally attractive solutions in data‐rich environments. The machine learning literature has many algorithms but is focused mostly on loss functions that are independent of covariates. We show that theoretically valid decisions on binary outcomes with general loss functions can be achieved via a very simple loss‐based reweighting of logistic regression or state‐of‐the‐art machine learning techniques. We apply our analysis to algorithmic fairness in pretrial detentions.