従来の機械学習は、アルゴリズムの予測精度（正確性）を向上させることが主な目的としていました。しかし、機械学習による意思決定がより一般的になり、医療・雇用などより重要な問題への応用が増えるにつれて、正確性だけでなく他の要素もアルゴリズム設計時に考慮することが要求され始めており、特に近年はアルゴリズムの公平性（特定の集団を他の集団に対して系統的に優遇しないことが望ましい）が注目されています。本講演の前半では、アルゴリズムの正確性と公平性の間のトレードオフを分析するための理論的枠組みを紹介します。この枠組みによって、例えば「アルゴリズムの公平性を担保するために特定の情報の利用を禁止する」といった現実でしばしば観測される政策の妥当性を議論することが可能になります。後半では、既存のアルゴリズムが正確性・公平性の両面で改善可能かどうかを判断する統計的手法を紹介します。提案手法はシンプルかつ応用範囲が広く、例えばアメリカにおけるアルゴリズムの公平性に関する訴訟への応用が可能です。

限られた資源や財を復数の買い手に対して分配する問題では，公平性を保つような割当を実現することが重要な課題の１つとされています。しかし，この問題に対する研究の多くが，「一度にすべての資源が供給され，それを各買い手に配分する」という状況を想定しています。しかし，実世界の多くのアプリケーションでは，すべての資源がまとめて供給されるのではなく，ある一定量の資源が順番に到着することがあります。本講演では，そのような逐次的に資源が到着するオンライン設定において，公平性の意味で最適な割当を達成するためのオンライン 学習アルゴリズムとその理論的な性質について解説を行います。