arXiv cs.CY· Jianhan Zhang, Jitao Wang, John D. Piette, Donglin Zeng, Chengchun Shi, Zhenke Wu·· 10 小时前AI 评分29
用分布映射实现反事实公平的强化学习
A Distribution Mapping Approach to Counterfactually Fair Reinforcement Learning
AI 导读
一篇被 NeurIPS 2026 接收的论文提出数据预处理算法，与策略学习配合可在强化学习中实现反事实公平。该算法采用新的分位数分布映射方法逐步估计反事实状态与奖励，将常见的可加性假设作为特例纳入。作者从理论上证明了每步反事实不公平程度与无限时域次优差距可在温和正则条件下被界定，并在数值实验和真实介入式数字健康数据集上进行了验证。
正文 · AI 翻译
摘要：强化学习（RL）旨在优化序贯决策，以随时间推移最大化群体层面的收益。然而，当部署在医疗保健等高风险场景中时，RL 决策可能会以违背利益相关者价值观和目标的方式，系统性地限制某些子群体获取有价值服务的机会。反事实公平性（CF）提供了一个基于因果推理来解决这一问题的有前景的框架。本文开发了一种数据预处理算法，当与策略学习配合使用时，可使 RL 实现 CF。我们的算法依赖于一种新颖的分位数分布映射方法，用于在数据预处理步骤中顺序估计反事实状态和奖励，并将用于反事实预测的常见可加性假设作为特例纳入其中。我们从理论上证明，在温和的正则条件下，每步的反事实不公平程度和无限时域次优性差距可以被界定。我们还在数值实验中以及在一个真实世界干预性数字健康数据集的应用中，对我们的算法进行了实证测试。
| 评论： | 已被 NeurIPS 2026 接收 |
| 主题： | 机器学习（stat.ML）；计算机与社会（cs.CY）；机器学习（cs.LG）；方法论（stat.ME） |
| 引用为： | arXiv:2608.08743 [stat.ML] |
| （或 arXiv:2608.08743v2 [stat.ML] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2608.08743 由 DataCite 颁发的 arXiv DOI |
提交历史
来自：Jianhan Zhang [查看电子邮件]
[v1]
2026年8月9日星期日 14:42:47 UTC（2,474 KB）
[v2]
2026年11月10日星期二 07:16:42 UTC（8,056 KB）
来源：arXiv cs.CY · arxiv.org