Fugu-MT 論文翻訳(概要): Priority to unemployed immigrants? A causal machine learning evaluation of training in Belgium

論文の概要: Priority to unemployed immigrants? A causal machine learning evaluation of training in Belgium

arxiv url: http://arxiv.org/abs/1912.12864v4
Date: Sat, 17 Dec 2022 09:02:52 GMT
ステータス: 処理完了
システム内更新日: 2023-01-17 03:00:07.250929
Title: Priority to unemployed immigrants? A causal machine learning evaluation of training in Belgium
Title（参考訳）: 失業した移民の優先性? ベルギーにおける訓練の因果機械学習による評価
Authors: Bart Cockx, Michael Lechner, Joost Bollens
Abstract要約: シミュレーションにより、推定した個人ゲインを最大化するプログラムに失業者を割り当てる「ブラックボックス」ルールは、効果を著しく向上させることが示された。浅いポリシーツリーは、この利益の約70%を実現する単純なルールを提供します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Based on administrative data of unemployed in Belgium, we estimate the labour market effects of three training programmes at various aggregation levels using Modified Causal Forests, a causal machine learning estimator. While all programmes have positive effects after the lock-in period, we find substantial heterogeneity across programmes and unemployed. Simulations show that 'black-box' rules that reassign unemployed to programmes that maximise estimated individual gains can considerably improve effectiveness: up to 20 percent more (less) time spent in (un)employment within a 30 months window. A shallow policy tree delivers a simple rule that realizes about 70 percent of this gain.
Abstract（参考訳）: ベルギーの失業者の管理データに基づいて, 因果学習推定指標である変成因果樹林を用いて, 各種アグリゲーションレベルでの3つの訓練プログラムの労働市場効果を推定した。ロックイン期間の後、すべてのプログラムはポジティブな効果を持つが、プログラム間でかなりの不均一性が見られ、失業している。シミュレーションは、推定された個人の利益を最大化するプログラムに再雇用する'ブラックボックス'のルールが、有効性を大幅に改善することを示している。浅いポリシーツリーは、この利益の約70%を実現する単純なルールを提供します。

関連論文リスト

How Does Quantization Affect Multilingual LLMs? [50.867324914368524]
量子化技術は、大規模な言語モデルの推論速度と展開を改善するために広く使われている。量子化多言語LLMの徹底的な分析を行い、言語間の性能と様々なスケールに焦点をあてる。
論文参考訳（メタデータ） (2024-07-03T15:39:40Z)
Efficient Continual Pre-training by Mitigating the Stability Gap [68.49269649759005]
本研究では,Large Language Models (LLM) の継続事前学習における挙動について検討する。固定された計算予算内でのLLM性能を向上させるための3つの効果的な戦略を提案する。当社の戦略は,OpenLlama-3Bモデルの平均医療タスク性能を36.2%から40.7%に改善し,当初のトレーニング予算の40%に過ぎなかった。
論文参考訳（メタデータ） (2024-06-21T02:28:37Z)
Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文参考訳（メタデータ） (2024-04-29T08:16:30Z)
Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
論文参考訳（メタデータ） (2023-11-16T09:07:34Z)
Performativity and Prospective Fairness [4.3512163406552]
本稿では,因果的下流結果変数に対するアルゴリズム的効果に着目した。我々は、このような政策が労働市場の男女不平等を悪化させるかどうかを予測する方法を示す。
論文参考訳（メタデータ） (2023-10-12T14:18:13Z)
Difficult Lessons on Social Prediction from Wisconsin Public Schools [32.90759447739759]
早期警戒システムは、学生が退学するリスクがあるかを予測することで、個々の学生への介入を標的にすることを支援する。広く採用されているにもかかわらず、EWSの有効性に対する私たちの理解には大きなギャップが残っています。本研究では,学生の退学リスクを正確に判断する実証的証拠を提示する。卒業率の1桁の上昇を招いた可能性があるが、我々の経験的分析では、前向きな治療効果がないと確実に判断することはできない。
論文参考訳（メタデータ） (2023-04-13T00:59:12Z)
Learning from Self-Sampled Correct and Partially-Correct Programs [96.66452896657991]
そこで本研究では,モデルが学習中にサンプリングを行い,自己サンプリングされた完全正当プログラムと部分正当プログラムの両方から学習することを提案する。自己サンプリング型プログラムと部分修正型プログラムを併用することで,学習とサンプリングプロセスのガイドに役立てることができることを示す。提案手法は,MLEを用いた単一の参照プログラムからの学習と比較して,パス@kの性能を3.1%から12.3%向上させる。
論文参考訳（メタデータ） (2022-05-28T03:31:07Z)
Fairness in Algorithmic Profiling: A German Case Study [0.0]
本研究では、求職者の長期失業リスクを予測するための統計モデルを比較し、評価する。これらのモデルは、競争力のある精度で長期失業を予測するために使用できることを示す。異なる分類ポリシーは、非常に異なる公平性をもたらすことを強調する。
論文参考訳（メタデータ） (2021-08-04T13:43:42Z)
Persistent Reinforcement Learning via Subgoal Curricula [114.83989499740193]
VaPRL(Value-accelerated Persistent Reinforcement Learning)は、初期状態のカリキュラムを生成する。 VaPRLは、エピソード強化学習と比較して、3桁の精度で必要な介入を減らす。
論文参考訳（メタデータ） (2021-07-27T16:39:45Z)
Outcome-Driven Dynamic Refugee Assignment with Allocation Balancing [0.0]
本研究では,難民や亡命希望者とホスト国内の地理的地域をマッチングする2つの動的割当てアルゴリズムを提案する。 1つ目は、最小記録のオンライン割当てアルゴリズムにより、難民の平均雇用水準(または、関心の測定結果)を最大化することである。第2のアルゴリズムは、難民の成果を改善するという目標と、時間とともに均等に割り当てたいという願望のバランスをとる。
論文参考訳（メタデータ） (2020-07-02T21:28:15Z)
Post-Comparison Mitigation of Demographic Bias in Face Recognition Using Fair Score Normalization [15.431761867166]
顔認識におけるバイアスの影響を低減するために,教師なしのフェアスコア正規化手法を提案する。我々の解決策は、性別を考慮した場合の人口バイアスを最大82.7%削減する。従来の研究とは対照的に、我々の公正な正規化アプローチは、偽一致率0.001で53.2%、偽一致率0.00001で82.9%まで全体の性能を向上させる。
論文参考訳（メタデータ） (2020-02-10T08:17:26Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。