文件名称：超越算法公平性的取舍形式化：来自伦理哲学和福利经济学的经验教训-研究论文
文件大小：479KB
文件格式：PDF
更新时间：2024-06-09 12:18:29
algorithmic fairness algorithmic ethics fairness
人们越来越关注基于机器学习（ML）算法的决策可能会基于个人人口统计属性（例如种族和性别）不公平地进行区分。 作为回应，学者们引入了许多关于公平性的数学定义来测试该算法，其中许多相互冲突。 但是，这些简化主义的公平表示通常与现实生活中的公平考虑几乎没有相似之处，而在现实中，这些考虑是高度上下文相关的。 此外，公平性指标倾向于在狭窄且针对性强的工具包中实施，这些工具包很难集成到算法的更广泛的道德评估中。 在本文中，我们从伦理哲学和福利经济学中汲取了教训，因为它们与公平相关的背景因素有关。 我们特别强调围绕特殊不平等的可接受性以及公平，福利和自治之间不可分割的联系的辩论。 我们提出了关键道德指标（KEI），以使人们对算法是否符合决策者的道德价值观有更全面的了解。