Algorithmische Rückführung in sequentiellen Entscheidungsprozessen für langfristige Fairness

Langfristige Fairness in sequentiellen Entscheidungsprozessen ist entscheidend, aber herausfordernd, da Entscheidungen zu jedem Zeitpunkt zukünftige Möglichkeiten und Ergebnisse beeinflussen und bestehende Ungleichheiten im Laufe der Zeit verschärfen können. Während bestehende Methoden Fairness hauptsächlich durch direkte Anpassung von Entscheidungsmodellen erreichen, untersuchen wir in dieser Arbeit eine ergänzende Perspektive, die auf sequentieller algorithmischer Rückführung basiert, bei der Fairness durch umsetzbare Interventionen für Einzelpersonen angestrebt wird. Wir stellen die Sequentielle Kausale Algorithmische Rückführung für Fairness (SCARF) vor, ein kausal fundiertes Framework, das zeitlich kohärente Rückführungstrajektorien generiert, indem strukturelle kausale Modellierung mit sequentieller generativer Modellierung integriert wird. Durch die explizite Einbeziehung sowohl kurzfristiger als auch langfristiger Fairness-Beschränkungen sowie praktischer Budgetrestriktionen generiert SCARF personalisierte Rückführungspläne, die effektiv Ungleichheiten über mehrere Entscheidungszyklen verringern. Durch Experimente mit synthetischen und semi-synthetischen Datensätzen untersuchen wir empirisch, wie unterschiedliche Rückführungsstrategien die Fairness-Dynamik im Laufe der Zeit beeinflussen, und veranschaulichen die Kompromisse zwischen kurzfristiger und langfristiger Fairness unter sequentiellen Interventionen. Die Ergebnisse zeigen, dass SCARF ein praktisches und informatives Framework für die Analyse langfristiger Fairness in dynamischen Entscheidungsfindungsumgebungen bietet.