Fugu-MT 論文翻訳(概要): Fair Policy Targeting

論文の概要: Fair Policy Targeting

arxiv url: http://arxiv.org/abs/2005.12395v3
Date: Wed, 29 Jun 2022 18:11:22 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 06:32:27.956626
Title: Fair Policy Targeting
Title（参考訳）: 公正な政策目標
Authors: Davide Viviano, Jelena Bradic
Abstract要約: 社会福祉プログラムにおける個人に対する介入を標的とする主な関心事の1つは差別である。本稿では,公平かつ効率的な処理割り当てルールの設計に関する課題に対処する。
参考スコア（独自算出の注目度）: 0.6091702876917281
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: One of the major concerns of targeting interventions on individuals in social welfare programs is discrimination: individualized treatments may induce disparities across sensitive attributes such as age, gender, or race. This paper addresses the question of the design of fair and efficient treatment allocation rules. We adopt the non-maleficence perspective of first do no harm: we select the fairest allocation within the Pareto frontier. We cast the optimization into a mixed-integer linear program formulation, which can be solved using off-the-shelf algorithms. We derive regret bounds on the unfairness of the estimated policy function and small sample guarantees on the Pareto frontier under general notions of fairness. Finally, we illustrate our method using an application from education economics.
Abstract（参考訳）: 社会福祉プログラムにおける個人に対する介入を標的とする主な関心事の1つは差別である: 個人化された治療は、年齢、性別、人種などのセンシティブな属性の相違を引き起こす可能性がある。本稿では,公平かつ効率的な処理割り当て規則の設計について述べる。我々は、まずは無益な視点を採用し、害を及ぼさない: 我々は、パレートフロンティア内で最も公平な割当を選択する。この最適化を混合整数線形プログラムの定式化に実装し,既成のアルゴリズムを用いて解く。我々は、推定政策関数の不公平性に関する後悔の限界と、フェアネスの一般的な概念の下でパレートフロンティアにおける小さなサンプル保証を導出する。最後に,教育経済学からの応用法について述べる。

関連論文リスト

Fair Resource Allocation in Weakly Coupled Markov Decision Processes [3.824858358548714]
マルコフ決定過程の弱結合としてモデル化された逐次的意思決定環境における資源配分について考察する。我々は、従来の実用的(total-sum)目的ではなく、一般化されたジーニ関数を用いた公正性の定義を採用する。
論文参考訳（メタデータ） (2024-11-14T20:40:55Z)
Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。学習シナリオにおける同値性に基づく単一のフレームワークを提案する。我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
論文参考訳（メタデータ） (2024-05-09T12:52:22Z)
Bayes-Optimal Fair Classification with Linear Disparity Constraints via Pre-, In-, and Post-processing [32.5214395114507]
与えられた群フェアネス制約に対する分類誤差を最小限に抑えるため,ベイズ最適公正分類法を開発した。人口格差、機会平等、予測平等からの逸脱など、いくつかの一般的な格差対策が双線形であることを示します。本手法は, ほぼ最適フェアネス精度のトレードオフを達成しつつ, 相違を直接制御する。
論文参考訳（メタデータ） (2024-02-05T08:59:47Z)
Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文参考訳（メタデータ） (2023-10-18T10:32:39Z)
Optimal and Fair Encouragement Policy Evaluation and Learning [11.712023983596914]
本研究は, 陽性の潜在的な違反を含む最適治療規則の因果同定とロバストな評価について検討した。一般制約下でのパラメタライズされたポリシークラスを解くための2段階のアルゴリズムを開発し、分散感応的後悔境界を求める。本研究は, SNAP給付のリマインダーデータ, 保険申請の無作為化促進, および電子監視による事前管理リリースに基づく3つのケーススタディである。
論文参考訳（メタデータ） (2023-09-12T20:45:30Z)
Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文参考訳（メタデータ） (2023-05-24T13:44:02Z)
Provable Offline Preference-Based Reinforcement Learning [95.00042541409901]
本研究では,PbRL(Preference-based Reinforcement Learning)の問題について,人間のフィードバックを用いて検討する。我々は、報酬が軌道全体にわたって定義できる一般的な報酬設定について考察する。我々は, 軌道毎の集中性によって上界に拘束できる新しい単極集中係数を導入する。
論文参考訳（メタデータ） (2023-05-24T07:11:26Z)
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)
Equality of Effort via Algorithmic Recourse [3.3517146652431378]
本稿では,最小限の介入によるアルゴリズム的談話を適用し,努力の等しさによる公正度の測定手法を提案する。作業の平等の定義を拡張し,アルゴリズムによる評価を行うアルゴリズムを提案する。
論文参考訳（メタデータ） (2022-11-21T22:41:24Z)
Accuracy and Fairness Trade-offs in Machine Learning: A Stochastic Multi-Objective Approach [0.0]
機械学習を実生活の意思決定システムに適用すると、予測結果は機密性の高い属性を持つ人々に対して差別され、不公平になる可能性がある。公正機械学習における一般的な戦略は、予測損失の最小化において、制約や罰則として公正さを含めることである。本稿では,多目的最適化問題を定式化して公平性を扱うための新しい手法を提案する。
論文参考訳（メタデータ） (2020-08-03T18:51:24Z)
Bias no more: high-probability data-dependent regret bounds for adversarial bandits and MDPs [48.44657553192801]
我々は,適応的相手に対する盗聴フィードバックを用いたオンライン学習において,高い確率的後悔境界を得るための新しいアプローチを開発した。我々のアプローチは、対数的に均質な自己協和障壁と強化されたフリードマンの不平等の助けを借りて、単純な学習率のスケジュールの増大に依存している。
論文参考訳（メタデータ） (2020-06-14T22:09:27Z)

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。