Concetti Chiave
Faire Zuteilung knapper Ressourcen unter Verwendung von maschinellem Lernen erfordert oft den Einsatz von Zufallsverfahren, um die Ansprüche aller Beteiligten angemessen zu berücksichtigen.
Sintesi
Der Artikel argumentiert, dass faire Zuteilungen knapper Ressourcen oder Möglichkeiten, die auf maschinellem Lernen basieren, in manchen Fällen Zufallsverfahren erfordern. Dies wird aus zwei Gründen begründet:
Basierend auf John Broomes Konzept des Wertes von Lotterien in Bezug auf Fairness, zeigt der Artikel, dass Zufallsverfahren notwendig sind, um die Ansprüche aller Beteiligten zu respektieren, auch wenn nicht alle ihre Ansprüche erfüllt werden können.
Da algorithmische Vorhersagen mit Unsicherheit behaftet sind, ist es unfair gegenüber denjenigen, bei denen Fehler gemacht werden, diese Fehler deterministisch zu übernehmen. Insbesondere in Kontexten mit mehreren Entscheidungsträgern oder einer Reihe von Entscheidungen über die Zeit hinweg kann dies zu systematischer Ausgrenzung oder kumulativer Ungerechtigkeit führen.
Der Artikel stellt dann verschiedene Methoden zur Umsetzung zufallsbasierter Zuteilungen vor, sowohl wenn die Ansprüche bekannt sind als auch wenn sie unsicher sind. Diese Methoden zeigen, wie Zufallsverfahren die systemische Ausgrenzung und musterhafte Ungleichheit reduzieren können, ohne einen großen Verlust an Genauigkeit oder Leistung zu verursachen.
Statistiche
Nur etwa 5% der Individuen in einem typischen Datensatz sind klar von anderen zu unterscheiden.
Es gibt oft mehrere Modelle mit ähnlicher Vorhersageleistung, die jedoch zu unterschiedlichen Entscheidungen für bestimmte Individuen kommen.
In manchen Fällen können Individuen aufgrund ihrer Merkmale als "Ausreißer" identifiziert werden, für die die Vorhersageunsicherheit besonders hoch ist.
Citazioni
"Fairness erfordert manchmal, dass alle Beteiligten eine Chance haben, auch wenn nicht alle ihre Ansprüche erfüllt werden können."
"Deterministische Entscheidungen unter Unsicherheit können strukturelle Ungerechtigkeiten verstärken."