Recursos algorítmicos en la toma de decisiones secuenciales para la equidad a largo plazo

Área de la Ciencia:

• La inteligencia artificial es inteligencia artificial.
• Ciencias de la computación Ciencias de la computación
• Aprendizaje automático Aprendizaje automático.

Sus antecedentes:

• La toma de decisiones secuencial plantea desafíos para la equidad a largo plazo, ya que las elecciones tempranas pueden empeorar las disparidades.
• Los métodos actuales de equidad a menudo ajustan los modelos de decisión directamente, pasando por alto las intervenciones individuales.

Objetivo del estudio:

• Introducir un nuevo marco para lograr la equidad a largo plazo a través del recurso algorítmico secuencial.
• Desarrollar un enfoque basado en la causalidad para generar planes de recurso personalizados y temporalmente coherentes.

Principales métodos:

• Se introdujo el recurso algorítmico causal secuencial para la equidad (SCARF).
• Modelado causal estructural integrado con modelado generativo secuencial.
• Restricciones de equidad incorporadas a corto y largo plazo con limitaciones presupuestarias.

Principales resultados:

• SCARF genera trayectorias de recurso personalizadas que mitigan las disparidades en múltiples ciclos de decisión.
• El análisis empírico reveló compensaciones entre la equidad a corto y largo plazo bajo intervenciones secuenciales.
• Demostró la efectividad de SCARF en conjuntos de datos sintéticos y semisintéticos.

Conclusiones:

• SCARF ofrece un marco práctico para analizar y mejorar la equidad a largo plazo en la toma de decisiones dinámicas.
• El enfoque proporciona intervenciones viables para que los individuos aseguren resultados equitativos.
• Destaca la importancia de considerar la dinámica temporal en las intervenciones de equidad.