論文の概要: On Consequentialism and Fairness

• arxiv url: http://arxiv.org/abs/2001.00329v2
• Date: Mon, 11 May 2020 04:36:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-16 03:46:53.137073
• Title: On Consequentialism and Fairness
• Title（参考訳）: 連続主義と公正性について
• Authors: Dallas Card and Noah A. Smith
• Abstract要約: 機械学習におけるフェアネスの共通定義について、逐次的批判を行う。 学習とランダム化の問題に関するより広範な議論で締めくくります。
• 参考スコア（独自算出の注目度）: 64.35872952140677
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent work on fairness in machine learning has primarily emphasized how to define, quantify, and encourage "fair" outcomes. Less attention has been paid, however, to the ethical foundations which underlie such efforts. Among the ethical perspectives that should be taken into consideration is consequentialism, the position that, roughly speaking, outcomes are all that matter. Although consequentialism is not free from difficulties, and although it does not necessarily provide a tractable way of choosing actions (because of the combined problems of uncertainty, subjectivity, and aggregation), it nevertheless provides a powerful foundation from which to critique the existing literature on machine learning fairness. Moreover, it brings to the fore some of the tradeoffs involved, including the problem of who counts, the pros and cons of using a policy, and the relative value of the distant future. In this paper we provide a consequentialist critique of common definitions of fairness within machine learning, as well as a machine learning perspective on consequentialism. We conclude with a broader discussion of the issues of learning and randomization, which have important implications for the ethics of automated decision making systems.
• Abstract（参考訳）: 機械学習の公平性に関する最近の研究は、主に「公正」な結果を定義し、定量化し、奨励する方法を強調している。 しかし、そのような努力を裏付ける倫理的な基礎にはあまり注意が払われていない。 考慮すべき倫理的視点には、連続主義(consequentialism)があり、大まかに言えば、結果がすべて重要であるという立場である。 コンシークエンシズムは困難から解放されるものではなく、必ずしも(不確実性、主観性、集約の複合的な問題のために)行動を選択するための難解な方法を提供するわけではないが、しかしながら、機械学習の公正性に関する既存の文献を批判する強力な基盤を提供する。 さらに、誰が数えるかの問題、政策の使用の長所と短所、そして遠い未来の相対的な価値など、関係するトレードオフの一部をもたらします。 本稿では,機械学習におけるフェアネスの共通定義に対する帰結主義的批判と,帰結主義に関する機械学習の視点を提案する。 自動意思決定システムの倫理に重要な意味を持つ学習とランダム化の問題に関して、より広範な議論を締めくくっている。

関連論文リスト

• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• Algorithmic Fairness: A Tolerance Perspective [31.882207568746168]
  この調査はアルゴリズムの公正性に関する既存の文献を掘り下げ、特にその多面的な社会的影響を強調している。 我々は「寛容」に基づく新しい分類法を導入し、公正な結果の変動が許容される度合いとして定義する。 我々の体系的なレビューは多様な産業をカバーし、アルゴリズムによる意思決定と社会的株式のバランスに関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-04-26T08:16:54Z)
• The Flawed Foundations of Fair Machine Learning [0.0]
  統計的に正確な結果と類似した結果とのトレードオフが存在することを示す。 本稿では,統計的に正確な結果とグループ類似の結果の関係を理解する上で,研究者やデザイナーを支援するための概念実証手法を提案する。
  論文  参考訳（メタデータ） (2023-06-02T10:07:12Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• What-is and How-to for Fairness in Machine Learning: A Survey, Reflection, and Perspective [13.124434298120494]
  機械学習文学においてこれまで提案されてきたフェアネスの概念を概観し,考察する。 また、現在の予測と決定によって引き起こされる長期的な影響についても検討する。 本稿では、目的を達成するために、ミッション(どんな公正を強制したいのか)と手段(どの公正分析が興味を持つのか)を一致させることの重要性を示す。
  論文  参考訳（メタデータ） (2022-06-08T18:05:46Z)
• Rethinking Fairness: An Interdisciplinary Survey of Critiques of Hegemonic ML Fairness Approaches [0.0]
  本稿では、機械学習(ML)における現在の公平性向上技術介入の批判を評価し、比較する。 哲学、フェミニスト研究、批判的な人種と民族研究、法学、人類学、科学と技術研究など、様々な非計算分野から派生している。 この記事は、社会における強大な力のダイナミクスと構造的不正を積極的に破壊する未来のMLフェアネス研究の方向性を想像することで締めくくっている。
  論文  参考訳（メタデータ） (2022-05-06T14:27:57Z)
• The zoo of Fairness metrics in Machine Learning [62.997667081978825]
  近年,機械学習(ML)と自動意思決定における公平性の問題が注目されている。 MLにおける公平性の定義の多様さが提案され、人口の個人に影響を与える状況において「公正な決定」とは何かという異なる概念が検討されている。 本研究では、この定義の動物園からある程度の順序付けを試みる。
  論文  参考訳（メタデータ） (2021-06-01T13:19:30Z)
• Who Gets What, According to Whom? An Analysis of Fairness Perceptions in Service Allocation [2.69180747382622]
  公正感の「Who」と「What」と「How」の交点における5つの新しい研究課題を実験的に検討した。 以上の結果から,少なくとも1つの理論的な視点では説明できない「Who」と「What」は,公正さの認識をどのように測定するか,あるいはアルゴリズムによる意思決定システムに統合すべきかに重要な意味を持っていることが示唆された。
  論文  参考訳（メタデータ） (2021-05-10T15:31:22Z)
• Scruples: A Corpus of Community Ethical Judgments on 32,000 Real-Life Anecdotes [72.64975113835018]
  記述倫理に動機づけられた我々は、機械倫理に対する新しいデータ駆動アプローチを調査する。 Scruplesは、625,000の倫理的判断を持つ最初の大規模データセットで、32,000の実生活の逸話について紹介する。 我々のデータセットは最先端のニューラルネットワークモデルに対して大きな課題を示し、改善の余地を残しています。
  論文  参考訳（メタデータ） (2020-08-20T17:34:15Z)

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。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。