Learning Social Fairness Preferences from Non-Expert Stakeholder Opinions in Kidney Placement

现代肾脏移植包括多个智能推荐系统，由于训练数据中的偏见，这些系统表现出社会歧视。虽然文献中已经开始尝试研究肾脏移植中的算法公平性，但由于记录真实结果需要很长时间，这些方法将真实结果替换为外科医生的决策。然而，将真实结果替换为外科医生的决策忽略了专家利益相关者的偏见以及其他没有医学专业知识的利益相关者的社会意见。本文解决了后者的问题，并设计了一种新的公平反馈调查来评估在给定的肾脏匹配对中预测肾脏接受率的接受率预测器（ARP）。该调查在众包平台Prolific上启动，并从85个匿名众包参与者收集公众意见。提出了一种基于最小化使用新的基于logit的公平反馈模型计算的社会反馈后悔的新型社会公平偏好学习算法。所提出的模型和学习算法均使用模拟实验和Prolific数据进行了验证。在肾脏移植的背景下，公众对于群体公平概念的偏好已经被估计并详细讨论。在Prolific调查中测试的具体ARP被参与者认为是公平的。

解决问题：本文试图解决智能推荐系统中存在的社会歧视问题，提出了一种新的公平反馈调查方法，并设计了一种基于社会反馈的公平偏好学习算法。

关键思路：通过在Prolific平台上进行公平反馈调查，设计了一种基于社会反馈的公平偏好学习算法，用于评估一个肾脏匹配对中肾脏接受率预测器的公平性。

其他亮点：本文提出的公平反馈调查方法和公平偏好学习算法在模拟实验和Prolific数据上均得到了验证。文章还评估了公众对于肾脏移植中的公平概念的偏好，并讨论了这些结果。

相关研究：最近的相关研究包括“在肾脏移植中实现算法公平性”的研究。