Fair Variable Selection
公平变量选择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：摘要研究通用广义线性模型中的公平变量选择，未明确涉及因果推断或离散选择等所列方向。
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…
关注这篇论文的作者
公平变量选择
- 研究问题
- 在广义线性模型中，如何选择既能预测响应、又较少依赖敏感群体身份的变量，以协调群体公平与个体公平之间的冲突？
- 方法与思路
- 作者提出 Fair Lasso 与 Fair Posterior，通过同时关注变量对响应的预测能力及其与敏感群体身份的依赖程度，选择公平协变量。
- 材料陈述的贡献
- 摘要提出两种公平变量选择方法，并称所选特征可在缺乏规定性法律框架时，用作条件人口统计平等中的合法特征条件集。
- 阅读关注点
- 应核对公平性与依赖程度的定义、两种方法的具体目标和调节方式，以及所选特征作为合法条件集时需要怎样的规范性依据。
- 阅读边界
- 这是 arXiv v2 预印本，不能据此声称已经同行评审或期刊接收；摘要未说明公平性保证或效果数值，特征选择不能自行确立法律合法性。
原文摘要
Algorithms are increasingly being used to help automate and improve data-driven decisions, but care must be taken to prevent such algorithms from learning discriminatory patterns from historical data and perpetuating their biases. Statistical notions of fairness aim to mitigate either a model's disparate impact on disadvantaged groups (thus ensuring group fairness) or the resulting disparate treatment of individuals with similar features (thus ensuring individual fairness). Simultaneously mitigating disparate impact and disparate treatment is generally impossible for non-trivial models, necessitating a compromise. In this paper, we introduce the Fair Lasso and Fair Posterior as methods for selecting fair covariates in generalised linear models. By targeting variables that are simultaneously strong predictors of the response and weakly dependent on the sensitive group memberships, we aim to achieve favourable trade-offs between disparate treatment and disparate impact. Additionally, our selected set of fair features can be used as the conditioning set of legitimate features in the paradigm of Conditional Demographic parity (CDP) when no prescriptive legal framework exists.