Spatial Fairness: The Case for its Importance, Limitations of Existing Work, and Guidelines for Future Research

虽然位置信息越来越被用于许多敏感领域的决策系统，如抵押贷款和保险，但令人惊讶的是，很少有人关注由于位置与受反歧视法保护的特征（如种族或国籍）相关而可能导致的不公平现象。本文认为，有迫切的需要考虑与位置相关的公平性，即所谓的“空间公平性”，并概述由于位置与受保护特征的相关性而继续存在的危害。这项跨学科工作将公共政策、经济发展和地理学等领域的知识联系起来，以凸显目前公平人工智能研究在纠正空间偏见方面的不足，并未考虑到空间数据所特有的挑战。此外，我们还确定了迄今为止提出的少数空间公平性工作的局限性，并最终详细说明了未来研究的指导方针，以便随后的工作可以避免这些问题并帮助纠正空间偏见。

论文试图解决地理位置信息对于涉及种族或国籍等受保护特征的决策中可能导致的不公平问题，提出了空间公平性的概念，并指出当前公平人工智能研究在纠正空间偏见方面存在缺陷。

论文提出了空间公平性的概念，为解决涉及地理位置信息的决策中可能存在的不公平问题提供了新思路。同时，指出当前公平人工智能研究在纠正空间偏见方面存在的问题，并提出了未来研究的指导方针。

论文从公共政策、经济发展和地理学等领域汲取知识，强调了地理位置信息与受保护特征之间相关性导致的不公平现象。论文指出了目前关于空间公平性的研究存在的局限性，并提出了未来研究的指导方针。

最近的相关研究包括：1. Spatial Fairness in Machine Learning (2019); 2. A Framework for Understanding Unintended Consequences of Machine Learning (2019); 3. The Ethical Algorithm: The Science of Socially Aware Algorithm Design (2019)。