When fairness metrics fail: A utility-based perspective on ε-fairness

本文提出一种将决策后果纳入公平性评估的效用框架,证明即使决策过程满足任意小的 ε-fairness,也可能因不同群体在录取、贷款违约等结果上的效用差异而高度不公平。研究通过大学录取和住房抵押贷款案例表明,仅调整录取或批准概率不足以消除不公平,还需要降低完成失败或违约所带来的负面后果,并进一步讨论了信息不完整、概率不确定性及一般化模型下的公平性条件。

本文提出一种将决策后果纳入公平性评估的效用框架,证明即使决策过程满足任意小的 ε-fairness,也可能因不同群体在录取、贷款违约等结果上的效用差异而高度不公平。研究通过大学录取和住房抵押贷款案例表明,仅调整录取或批准概率不足以消除不公平,还需要降低完成失败或违约所带来的负面后果,并进一步讨论了信息不完整、概率不确定性及一般化模型下的公平性条件。

本文通过预注册、激励相容的现场活动搜索实验,比较传统筛选器、RAG驱动聊天界面及二者结合的混合界面。结果显示,纯聊天界面在选择价值、搜索耗时及满意度方面均显著弱于其他界面,而混合界面与传统筛选器基本无差异;该劣势主要源于开放式探索用户的目录认知偏差与提示疲劳。研究表明,AI更适合作为结构化搜索的补充,而非替代品,且更换更强模型并未显著改善结果。
本文提出从离散且无套利的欧式期权价格出发,构建一组显式的风险中性边际分布,使之在观测区间内精确再现价格、在整个价格区间上形成合法概率密度、且对任意期限具备无蝶形与日历套利的性质。同时,对观测区间之外使用幂律尾部进行边界填充,确保总质量为1并与边界价格、边际斜率一致,尾部结构与 Lee 的矩阵相容。该构造可分单期限与跨期限两阶段进行:单期限通过对端点斜率和曲率的分段构造实现局部最优性与可行性;跨期限通过日历无套利约束在前一期限的曲线基础上逐步构建,尾部边界通过全局斜率优化达成一致性。数值实验表明,该方法在合成 SSVI 数据及实际市场(如标普500)中均能高效、鲁棒地产生满足五项性质的边际分布:有效概率分布、观测报价的严格再现、跨期一致性、无须全局大规模优化的局部可行性,以及对下游边际应用友好(可直接计算密度、分布、分位数并实现高效蒙特卡罗抽样)

本论文在随机几何二部图框架下证明了“均匀性原则”:在固定总服务范围预算下,服务范围向更均匀的分配(按 majorization)调整,会严格提高期望最大匹配规模;该结论在所有维度 k≥1(在一定正则性条件下)成立,并给出了一维情形下通过马尔可夫链嵌入精确刻画异质配置匹配量的解法,同时在双值(灵活/非灵活)范围模型中导出闭式与界限表达,辅以数值验证 。

本文构建包含意识形态与“毒性”双维度差异的理性期待均衡模型,证明即使是面向毒性的意识形态中性审查也可能通过改变内容曝光与互动外部性,导致非毒性内容的自我审查与少数派沉默,从而在平台上放大意识形态不平衡与福利差距