Fair Policy Learning under Bipartite Network Interference: Learning Fair and Cost-Effective Environmental Policies
二部网络干扰下的公平政策学习：公平且具成本效益的环境政策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：摘要明确研究二部网络干扰下的因果政策学习及健康效应，对应因果推断与网络干扰。
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…
二部网络干扰下的公平政策学习：公平且具成本效益的环境政策
- 研究问题
- 当减排干预作用于污染源、健康影响扩散到远处社区时，如何在成本限制下学习有效政策，同时满足群体之间的公平约束？
- 方法与思路
- 作者在二部网络干扰框架下构造带公平和成本约束的政策学习方法，推导渐近性质，并以模拟和电厂脱硫设施关联医保记录的应用评估。
- 材料陈述的贡献
- 摘要称方法能够处理复杂二部网络结构下的公平政策优化，并在覆盖美国两百多万人的应用中确定旨在降低死亡率的脱硫设施配置。
- 阅读关注点
- 应核对污染传播与暴露映射、政策价值的识别条件、公平指标及成本定义，以及约束估计误差如何影响政策学习和样本外评价。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未核实。摘要未说明具体公平定义、识别假设或效应数值，不能据此确认配置的实际健康收益。
原文摘要
Numerous studies have shown the harmful effects of airborne pollutants on human health. Vulnerable groups and communities often bear a disproportionately larger health burden due to exposure to airborne pollutants. Thus, there is a need to design policies that effectively reduce the public health burdens while ensuring cost-effective policy interventions. Designing policies that optimally benefit the population while ensuring equity between groups under cost constraints is a challenging statistical and causal inference problem. In the context of environmental policy this is further complicated by the fact that interventions target emission sources but health impacts occur in potentially distant communities due to atmospheric pollutant transport -- a setting known as bipartite network interference (BNI). To address these issues, we propose a fair policy learning approach under BNI. Our approach allows to learn cost-effective policies under fairness constraints even accounting for complex BNI data structures. We derive asymptotic properties and demonstrate finite sample performance via Monte Carlo simulations. Finally, we apply the proposed method to a real-world dataset linking power plant scrubber installations to Medicare health records for more than 2 million individuals in the U.S. Our method determine fair scrubber allocations to reduce mortality under fairness and cost constraints.