卡内基梅隆大学（Carnegie Mellon University）的研究人员正在应对机器学习研究中的一个挑战，即在使用机器学习做出公共政策决策时，需要在准确性和公平性之间做出权衡。

随着机器学习在刑事司法、招聘、医疗服务和社会服务等领域的使用增加，人们越来越关注，这种应用是否会引入新的或放大现有的不公平现象，特别是在少数种族和经济弱势的人中。为了防止这种偏见，对数据、标签、模型训练、评分系统和机器学习系统的其他方面都需要进行调整。但是有一个基本的理论假设是，这些调整使系统的准确性降低。

研究团队在研究中测试了这个假设，发现在一系列政策领域的实践中，这种权衡是可以忽略不计的。

研究人员表示，实际上可以得到两者。不必牺牲准确性来建立公平和公正的系统。但它确实需要定制设计系统，使其公平公正。

研究人员考察了四个领域的系统：根据一个人重返监狱的风险，优先考虑有限的心理健康护理外展，以减少重新监禁；预测严重的安全违规行为，以更好地部署城市有限的住房检查员；模拟学生不能及时从高中毕业的风险，以确定那些最需要额外支持的学生；帮助教师实现教室需求的众筹目标。

在每一种情况下，研究人员发现，为准确性而优化的模型（机器学习的标准做法）可以有效地预测感兴趣的结果，但在干预措施的建议方面表现出相当大的差异。然而，当研究人员对模型的输出进行调整，以提高其公平性时，发现基于种族、年龄或收入的差异（视情况而定）可以在不损失准确性的情况下被消除。

研究者希望这项研究可以开始改变政策制定者的想法。希望人工智能、计算机科学和机器学习界，摒弃这种在准确性和公平性之间进行权衡的观念，并开始设计能将两者都最大化的系统。同时，希望政策制定者接受机器学习作为他们决策的工具，以帮助他们实现公平的结果。

题为Empirical observation of negligible fairness–accuracy trade-offs in machine learning for public policy的相关研究论文发表在《自然-机器智能》（Nature Machine Intelligence）上。

前瞻经济学人APP资讯组

论文原文：

https://www.nature.com/articles/s42256-021-00396-x

标签： 决策 好帮手 机器 学习