Fugu-MT 論文翻訳(概要): Towards a Flexible Framework for Algorithmic Fairness

論文の概要: Towards a Flexible Framework for Algorithmic Fairness

arxiv url: http://arxiv.org/abs/2010.07848v1
Date: Thu, 15 Oct 2020 16:06:53 GMT
ステータス: 処理完了
システム内更新日: 2023-04-29 00:15:22.232336
Title: Towards a Flexible Framework for Algorithmic Fairness
Title（参考訳）: アルゴリズムフェアネスのための柔軟なフレームワークを目指して
Authors: Philip Hacker, Emil Wiedemann, Meike Zehlike
Abstract要約: 近年、アルゴリズム決定システムにおける非差別性を保証するための多くの異なる定義が提案されている。本稿では, 最適な輸送手段を利用して, フェアネス定義の相違を補間するフレキシブルな枠組みを提案する。
参考スコア（独自算出の注目度）: 0.8379286663107844
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Increasingly, scholars seek to integrate legal and technological insights to combat bias in AI systems. In recent years, many different definitions for ensuring non-discrimination in algorithmic decision systems have been put forward. In this paper, we first briefly describe the EU law framework covering cases of algorithmic discrimination. Second, we present an algorithm that harnesses optimal transport to provide a flexible framework to interpolate between different fairness definitions. Third, we show that important normative and legal challenges remain for the implementation of algorithmic fairness interventions in real-world scenarios. Overall, the paper seeks to contribute to the quest for flexible technical frameworks that can be adapted to varying legal and normative fairness constraints.
Abstract（参考訳）: 学者はますます、aiシステムのバイアスと戦うために、法的および技術的洞察の統合を模索している。近年,アルゴリズム決定系における非差別性を保証するための様々な定義が提案されている。本稿では,まず,アルゴリズムによる差別の事例をカバーするEU法枠組みについて概説する。第二に、最適輸送を利用して、異なるフェアネス定義を補間するフレキシブルなフレームワークを提供するアルゴリズムを提案する。第3に,現実シナリオにおけるアルゴリズムフェアネス介入の実装において,重要な規範的かつ法的課題が残されていることを示す。本稿は、法律的および規範的公正性の制約に適応可能な柔軟な技術フレームワークの探求に貢献することを目的としている。

関連論文リスト

Peer-induced Fairness: A Causal Approach for Algorithmic Fairness Auditing [0.0]
欧州連合の人工知能法は2024年8月1日に施行された。リスクの高いAIアプリケーションは、厳格な透明性と公正な基準に従わなければならない。本稿では,対実的公正性とピア比較戦略の強みを組み合わせた新しい枠組みを提案する。
論文参考訳（メタデータ） (2024-08-05T15:35:34Z)
Formalising Anti-Discrimination Law in Automated Decision Systems [1.560976479364936]
本稿では,従来のアルゴリズムフェアネス手法を用いて,自動意思決定における法的課題について検討する。差別防止法の原則を意思決定理論の枠組みに翻訳することで、差別を定式化する。本稿では,自動意思決定システム開発のための,法的な新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-06-29T10:59:21Z)
A Provably Efficient Option-Based Algorithm for both High-Level and Low-Level Learning [54.20447310988282]
異なる(高低と高低の)時間的抽象化において,後悔最小化アルゴリズムのメタアルゴリズムを交互に提案する。高いレベルでは、半マルコフ決定プロセス(SMDP)として、固定された低レベルポリシーで、低いレベルでは内部オプションポリシーを固定された高レベルポリシーで学習する。
論文参考訳（メタデータ） (2024-06-21T13:17:33Z)
Fairness in AI: challenges in bridging the gap between algorithms and law [2.651076518493962]
実世界のシステムやユースケースにおける公平性の定義とアルゴリズムの仕様と採用のためのベストプラクティスと戦略を特定します。実世界のユースケースアプリケーションに対して,特定の公平性の定義を選択する際に考慮する必要がある,一連のコア基準を導入する。
論文参考訳（メタデータ） (2024-04-30T08:59:00Z)
Beyond Incompatibility: Trade-offs between Mutually Exclusive Fairness Criteria in Machine Learning and Law [2.959308758321417]
本稿では,3つのフェアネス基準を連続的に補間する新しいアルゴリズム(FAir Interpolation Method: FAIM)を提案する。我々は,合成データ,CompASデータセット,電子商取引部門による新たな実世界のデータセットに適用した場合のアルゴリズムの有効性を実証する。
論文参考訳（メタデータ） (2022-12-01T12:47:54Z)
Reinforcement Learning with Stepwise Fairness Constraints [50.538878453547966]
本稿では,段階的公正性制約を伴う強化学習について紹介する。我々は、ポリシーの最適性と公正性違反に関して、強力な理論的保証を持つ学習アルゴリズムを提供する。
論文参考訳（メタデータ） (2022-11-08T04:06:23Z)
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)
Fairness and Explainability in Automatic Decision-Making Systems. A challenge for computer science and law [3.656085108168043]
本稿では,自動アルゴリズム決定における公平性問題を分析するための学際的構造に貢献する。第1節は、教師付き学習における技術的な選択が、考慮すべき社会的意味を持っていることを示している。第2節では、意図しない集団差別の問題に対する文脈的アプローチを提案する。
論文参考訳（メタデータ） (2022-05-14T01:08:47Z)
Optimal Algorithms for Decentralized Stochastic Variational Inequalities [113.43047601775453]
この作業は、ますます重要になるが十分に理解されていない分散的な設定に集中する。通信と局所的な繰り返しの両方の下位境界を示し、これらの下位境界に一致する最適なアルゴリズムを構築する。我々のアルゴリズムは、分散化されたケースだけでなく、決定論的で非分散的な文献でも利用できる。
論文参考訳（メタデータ） (2022-02-06T13:14:02Z)
Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
論文参考訳（メタデータ） (2020-10-23T06:29:09Z)
Reinforcement Learning as Iterative and Amortised Inference [62.997667081978825]
我々は、この制御を推論フレームワークとして使用し、償却および反復推論に基づく新しい分類スキームを概説する。この観点から、比較的探索されていないアルゴリズム設計空間の一部を特定できることを示す。
論文参考訳（メタデータ） (2020-06-13T16:10:03Z)

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。