論文の概要: Fairness in Learning-Based Sequential Decision Algorithms: A Survey

• arxiv url: http://arxiv.org/abs/2001.04861v1
• Date: Tue, 14 Jan 2020 15:49:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:32:53.123571
• Title: Fairness in Learning-Based Sequential Decision Algorithms: A Survey
• Title（参考訳）: 学習に基づく逐次決定アルゴリズムの公平性:調査
• Authors: Xueru Zhang, Mingyan Liu
• Abstract要約: 過去の決定は、基礎となるユーザ人口に影響を与えず、したがって、将来のデータに影響を与えない。 いずれの場合も、様々な公正介入が人口に与える影響について検討する。
• 参考スコア（独自算出の注目度）: 22.252241233231263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic fairness in decision-making has been studied extensively in static settings where one-shot decisions are made on tasks such as classification. However, in practice most decision-making processes are of a sequential nature, where decisions made in the past may have an impact on future data. This is particularly the case when decisions affect the individuals or users generating the data used for future decisions. In this survey, we review existing literature on the fairness of data-driven sequential decision-making. We will focus on two types of sequential decisions: (1) past decisions have no impact on the underlying user population and thus no impact on future data; (2) past decisions have an impact on the underlying user population and therefore the future data, which can then impact future decisions. In each case the impact of various fairness interventions on the underlying population is examined.
• Abstract（参考訳）: 意思決定におけるアルゴリズム的公正性は、分類などのタスクでワンショット決定を行う静的な環境で広く研究されている。 しかし実際には、ほとんどの意思決定プロセスは逐次的な性質を持ち、過去の意思決定が将来のデータに影響を与える可能性がある。 これは、決定が個人やユーザが将来の決定に使用するデータを生成する場合に特に当てはまる。 本稿では,データ駆動逐次意思決定の公平性に関する文献を概観する。 我々は,(1)過去の決定は基礎となるユーザ人口に影響を与えず,したがって将来のデータにも影響を与えない,(2)過去の決定は基盤となるユーザ人口に影響を与え,したがって将来的な決定に影響を及ぼす,という2つの連続的な決定に焦点をあてる。 いずれの場合も、様々な公正介入が人口に与える影響について検討する。

関連論文リスト

• Enhancing Language Model Rationality with Bi-Directional Deliberation Reasoning [73.77288647011295]
  本稿では,BI-Directional Deliberation Reasoning (BIDDER)を導入し,言語モデルの意思決定合理性を高める。 私たちのアプローチには3つの重要なプロセスがあります。 歴史的データから、意思決定過程における不確実な情報を表すために隠された国家を推定すること。 隠れた状態を使って将来の潜在的な状態と潜在的な結果を予測する。 歴史的情報(過去コンテキスト)と長期的結果(未来コンテキスト)を統合することで、推論を知らせる。
  論文  参考訳（メタデータ） (2024-07-08T16:48:48Z)
• Decision Theoretic Foundations for Experiments Evaluating Human Decisions [18.27590643693167]
  我々は、人間のパフォーマンスの損失をバイアスの形で評価するためには、合理的なエージェントが実用性を最大化する決定を識別する必要があるという情報を参加者に提供する必要があると論じる。 実演として,AIによる意思決定に関する文献からの意思決定の評価が,これらの基準をどの程度達成したかを評価する。
  論文  参考訳（メタデータ） (2024-01-25T16:21:37Z)
• Explaining by Imitating: Understanding Decisions by Interpretable Policy Learning [72.80902932543474]
  観察されたデータから人間の行動を理解することは、意思決定における透明性と説明責任にとって重要である。 意思決定者の方針をモデル化することが困難である医療などの現実的な設定を考えてみましょう。 本稿では, 設計による透明性の向上, 部分観測可能性の確保, 完全にオフラインで動作可能なデータ駆動型意思決定行動の表現を提案する。
  論文  参考訳（メタデータ） (2023-10-28T13:06:14Z)
• Learning under Selective Labels with Data from Heterogeneous Decision-makers: An Instrumental Variable Approach [7.629248625993988]
  本研究では,歴史的意思決定によって部分的にラベル付けされた結果が得られた場合に生じる,選択的ラベル付きデータによる学習の課題について検討する。 ラベル選択バイアスに頑健な予測規則を両識別設定で学習する重み付き学習手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T06:34:44Z)
• 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)
• Speed, Quality, and the Optimal Timing of Complex Decisions: Field Evidence [0.0]
  ムーブ・バイ・ムーブデータは、決定時間と意思決定品質に関する極めて詳細な情報を提供する。 結果は、より高速な決定がより良いパフォーマンスに結びついていることを明らかにします。
  論文  参考訳（メタデータ） (2022-01-26T08:29:05Z)
• On the Fairness of Machine-Assisted Human Decisions [3.4069627091757178]
  偏りのある人間の意思決定者を含めることで、アルゴリズムの構造と結果の判断の質との間の共通関係を逆転させることができることを示す。 実験室実験では,性別別情報による予測が,意思決定における平均的な性別格差を減少させることを示す。
  論文  参考訳（メタデータ） (2021-10-28T17:24:45Z)
• The Impact of Algorithmic Risk Assessments on Human Predictions and its Analysis via Crowdsourcing Studies [79.66833203975729]
  我々は,在職者が将来の再起を予測することを任務とするヴィグネット研究を行う。 参加者は、再逮捕の確率が50%よりかなり低いと判断しても、犯罪者が再逮捕されることをしばしば予測します。 裁判官の判断は、参加者の予測とは異なり、部分的には再逮捕の可能性がある要因に依存する。
  論文  参考訳（メタデータ） (2021-09-03T11:09:10Z)
• Precarity: Modeling the Long Term Effects of Compounded Decisions on Individual Instability [7.993424873879106]
  人々の生活の不安定さをカプセル化する用語であるプリカーティにはほとんど焦点が当てられていない。 マイナスの結果は、他の決定や幸福の尺度に及ばない可能性がある。 複合意思決定が予後に及ぼす影響をシミュレーションするモデリングフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-24T23:38:07Z)
• Indecision Modeling [50.00689136829134]
  AIシステムは人間の価値観に合わせて行動することが重要である。 人々はしばしば決定的ではなく、特に彼らの決定が道徳的な意味を持つときです。
  論文  参考訳（メタデータ） (2020-12-15T18:32:37Z)
• Inverse Active Sensing: Modeling and Understanding Timely Decision-Making [111.07204912245841]
  我々は,内因性,文脈依存型時間圧下でのエビデンスに基づく意思決定の一般的な設定のための枠組みを開発する。 意思決定戦略において、サプライズ、サスペンス、最適性の直感的な概念をモデル化する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-25T02:30:45Z)

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。