論文の概要: Games for Fairness and Interpretability

• arxiv url: http://arxiv.org/abs/2004.09551v1
• Date: Mon, 20 Apr 2020 18:09:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-11 19:05:19.995290
• Title: Games for Fairness and Interpretability
• Title（参考訳）: 公平さと解釈性のためのゲーム
• Authors: Eric Chu, Nabeel Gillani, Sneha Priscilla Makini
• Abstract要約: フェアネスと解釈可能性のためのゲーム」という新しい種類のゲームを提案する。 フェアネスと解釈可能性のゲームは、大衆的アピールを伴う慎重に設計されたゲームである。 ゲームの可能性のいくつか、公平性と解釈可能性に対する影響、そして機械学習コミュニティがそれらから恩恵を受けることができる理由を強調した。
• 参考スコア（独自算出の注目度）: 2.084078990567849
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: As Machine Learning (ML) systems becomes more ubiquitous, ensuring the fair and equitable application of their underlying algorithms is of paramount importance. We argue that one way to achieve this is to proactively cultivate public pressure for ML developers to design and develop fairer algorithms -- and that one way to cultivate public pressure while simultaneously serving the interests and objectives of algorithm developers is through gameplay. We propose a new class of games -- ``games for fairness and interpretability'' -- as one example of an incentive-aligned approach for producing fairer and more equitable algorithms. Games for fairness and interpretability are carefully-designed games with mass appeal. They are inherently engaging, provide insights into how machine learning models work, and ultimately produce data that helps researchers and developers improve their algorithms. We highlight several possible examples of games, their implications for fairness and interpretability, how their proliferation could creative positive public pressure by narrowing the gap between algorithm developers and the general public, and why the machine learning community could benefit from them.
• Abstract（参考訳）: 機械学習(ML)システムがよりユビキタスになるにつれて、基盤となるアルゴリズムの公平かつ公平な適用が最重要となる。 これを実現する1つの方法は、ml開発者がより公平なアルゴリズムを設計、開発するためのパブリックプレッシャーを積極的に育成することであり、また、アルゴリズム開発者の関心と目的を同時に提供しながらパブリックプレッシャーを育む1つの方法は、ゲームプレイであると主張する。 フェアネスと解釈可能性のためのゲーム」という新しい種類のゲームを提案し、より公平で公平なアルゴリズムを生み出すためのインセンティブに整合したアプローチの例を示す。 公平さと解釈性のためのゲームは、大衆にアピールする注意深く設計されたゲームである。 彼らは本質的に、機械学習モデルがどのように機能するかを洞察し、究極的には研究者や開発者がアルゴリズムを改善するのに役立つデータを生み出している。 ゲームの可能性、公平さと解釈可能性に対する影響、アルゴリズム開発者と一般大衆の間のギャップを狭めることによって、彼らの増殖がいかに創造的なポジティブなパブリックプレッシャーをもたらすか、そして機械学習コミュニティが彼らからメリットを享受できる理由について紹介する。

関連論文リスト

• Mechanic Maker: Accessible Game Development Via Symbolic Learning Program Synthesis [2.3941497253612085]
  メカニックメーカー(Mechanic Maker)は、プログラミングなしで幅広いゲームメカニックを作成するためのツールである。 これは、ゲーム力学を例から合成するバックエンドのシンボリック学習システムに依存している。
  論文  参考訳（メタデータ） (2024-10-01T21:58:28Z)
• Neural Population Learning beyond Symmetric Zero-sum Games [52.20454809055356]
  我々はNuPL-JPSROという,スキルの伝達学習の恩恵を受けるニューラル集団学習アルゴリズムを導入し,ゲームの粗相関(CCE)に収束する。 本研究は, 均衡収束型集団学習を大規模かつ汎用的に実施可能であることを示す。
  論文  参考訳（メタデータ） (2024-01-10T12:56:24Z)
• Technical Challenges of Deploying Reinforcement Learning Agents for Game Testing in AAA Games [58.720142291102135]
  本稿では,既存の自動ゲームテストソリューションに,スクリプト型ボットをベースとして,実験的な強化学習システムを追加する取り組みについて述べる。 ゲーム制作において強化学習を活用するためのユースケースを示し、ゲームのために同じ旅をしたいと思う人なら誰でも遭遇する最大の時間をカバーしています。 我々は、機械学習、特にゲーム生産において効果的なツールである強化学習を作るのに価値があり、必要であると考えるいくつかの研究指針を提案する。
  論文  参考訳（メタデータ） (2023-07-19T18:19:23Z)
• Can Ensembling Pre-processing Algorithms Lead to Better Machine Learning Fairness? [8.679212948810916]
  モデルのトレーニング中に暗黙のバイアスを軽減するために、いくつかのフェアネス前処理アルゴリズムが利用可能である。 これらのアルゴリズムはフェアネスの異なる概念を採用しており、しばしばフェアネスと精度の連続的なトレードオフを伴う戦略と矛盾する。 我々は,3つの一般的なフェアネス前処理アルゴリズムを評価し,全てのアルゴリズムをより堅牢な前処理アンサンブルに組み合わせる可能性について検討する。
  論文  参考訳（メタデータ） (2022-12-05T21:54:29Z)
• Modeling Content Creator Incentives on Algorithm-Curated Platforms [76.53541575455978]
  本研究では,アルゴリズムの選択が露出ゲームにおける(ナッシュ)平衡の存在と性格にどのように影響するかを検討する。 本研究では、露出ゲームにおける平衡を数値的に見つけるためのツールを提案し、MovieLensとLastFMデータセットの監査結果を示す。
  論文  参考訳（メタデータ） (2022-06-27T08:16:59Z)
• Discovering Multi-Agent Auto-Curricula in Two-Player Zero-Sum Games [31.97631243571394]
  明示的な人間設計なしに更新ルールの発見を自動化するフレームワークであるLMACを導入する。 意外なことに、人間のデザインがなくても、発見されたMARLアルゴリズムは競争力や性能が向上する。 LMAC は,例えば Kuhn Poker のトレーニングやPSRO の成績など,小型ゲームから大規模ゲームへの一般化が可能であることを示す。
  論文  参考訳（メタデータ） (2021-06-04T22:30:25Z)
• An Empirical Study on the Generalization Power of Neural Representations Learned via Visual Guessing Games [79.23847247132345]
  本研究は,視覚質問応答(VQA)のような新しいNLP下流タスクにおいて,後から実行を依頼されたとき,人工エージェントが推測ゲームでどの程度の利益を得ることができるかを検討する。 提案手法は,1) エージェントがうまく推理ゲームを模倣することを学習する教師あり学習シナリオ,2) エージェントが単独でプレイする新しい方法,すなわち,反復経験学習(SPIEL)によるセルフプレイ(Self-play)を提案する。
  論文  参考訳（メタデータ） (2021-01-31T10:30:48Z)
• Learning outside the Black-Box: The pursuit of interpretable models [78.32475359554395]
  本稿では,任意の連続ブラックボックス関数の連続的大域的解釈を生成するアルゴリズムを提案する。 我々の解釈は、その芸術の以前の状態から飛躍的な進歩を表している。
  論文  参考訳（メタデータ） (2020-11-17T12:39:44Z)
• Algorithms in Multi-Agent Systems: A Holistic Perspective from Reinforcement Learning and Game Theory [2.5147566619221515]
  近年では深い強化学習が顕著な成果を上げている。 最近の研究は、シングルエージェントのシナリオを越えて学習を検討し、マルチエージェントのシナリオを検討しています。 従来のゲーム理論アルゴリズムは、現代的なアルゴリズムと組み合わせた明るいアプリケーションの約束を示し、計算能力を高める。
  論文  参考訳（メタデータ） (2020-01-17T15:08:04Z)
• Smooth markets: A basic mechanism for organizing gradient-based learners [47.34060971879986]
  スムーズマーケット(SM-games)は、対角にゼロ和の相互作用を持つn-プレイヤゲームの一種である。 SMゲームは、(一部)GAN、敵対的トレーニング、その他の最近のアルゴリズムを含む、機械学習における一般的なデザインパターンを符号化する。 SMゲームは1次手法を用いて解析と最適化が可能であることを示す。
  論文  参考訳（メタデータ） (2020-01-14T09:19:39Z)

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。