論文の概要: Pursuing Open-Source Development of Predictive Algorithms: The Case of
Criminal Sentencing Algorithms
- arxiv url: http://arxiv.org/abs/2011.06422v1
- Date: Thu, 12 Nov 2020 14:53:43 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-24 07:48:56.622979
- Title: Pursuing Open-Source Development of Predictive Algorithms: The Case of
Criminal Sentencing Algorithms
- Title（参考訳）: 予測アルゴリズムのオープンソース開発--犯罪検知アルゴリズムを事例として
- Authors: Philip D. Waggoner, Alec Macmillen
- Abstract要約: オープンソースアルゴリズムの開発は、高度に連続した文脈における標準であるべきだと我々は主張する。
これらの問題は、ほぼ全ての広く使われている刑事判決アルゴリズムの、プロプライエタリで高価な性質によって悪化していることを示唆する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Currently, there is uncertainty surrounding the merits of open-source versus
proprietary algorithm development. Though justification in favor of each
exists, we argue that open-source algorithm development should be the standard
in highly consequential contexts that affect people's lives for reasons of
transparency and collaboration, which contribute to greater predictive accuracy
and enjoy the additional advantage of cost-effectiveness. To make this case, we
focus on criminal sentencing algorithms, as criminal sentencing is highly
consequential, and impacts society and individual people. Further, the
popularity of this topic has surged in the wake of recent studies uncovering
racial bias in proprietary sentencing algorithms among other issues of
over-fitting and model complexity. We suggest these issues are exacerbated by
the proprietary and expensive nature of virtually all widely used criminal
sentencing algorithms. Upon replicating a major algorithm using real criminal
profiles, we fit three penalized regressions and demonstrate an increase in
predictive power of these open-source and relatively computationally
inexpensive options. The result is a data-driven suggestion that if judges who
are making sentencing decisions want to craft appropriate sentences based on a
high degree of accuracy and at low costs, then they should be pursuing
open-source options.
- Abstract（参考訳）: 現在、オープンソースとプロプライエタリなアルゴリズム開発のメリットに関する不確実性がある。
それぞれの正当性は存在するが、透明性とコラボレーションの理由から人々の生活に影響を及ぼし、より予測精度を高め、コスト効率のさらなる利点を享受する、高度に連続した文脈において、オープンソースアルゴリズム開発が標準であるべきだと論じる。
このケースでは,刑事判決が極めて適切であり,社会や個人に影響を及ぼすため,刑事判決アルゴリズムに焦点を当てる。
さらに、この話題の人気は、プロプライエタリなセンテンシングアルゴリズムの人種的偏見が、過度な適合性やモデル複雑さなどの問題から明らかになった最近の研究によって急上昇している。
これらの問題は、ほぼ全ての広く使われている刑事判決アルゴリズムのプロプライエタリで高価な性質によって悪化していることを示唆している。
実際の犯罪プロファイルを使って主要なアルゴリズムを複製すると、3つのペナルティ化された回帰に適合し、これらのオープンソースで比較的計算コストのかかるオプションの予測能力の増大を示す。
その結果は、判決を下す判断を下す裁判官が、高い精度と低コストで適切な文を作成したい場合、オープンソースオプションを追求すべきである、というデータ駆動の提案である。
関連論文リスト
- Algorithms, Incentives, and Democracy [0.0]
アルゴリズム設計者による最適分類が集団の行動分布にどのように影響するかを示す。
次に、報酬と罰、または利害関係をアルゴリズム分類に民主化する効果を見て、社会が捕食的分類をいかに生み出すか(または促進するか)を検討する。
論文 参考訳（メタデータ） (2023-07-05T14:22:01Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Designing Equitable Algorithms [1.9006392177894293]
現在、予測アルゴリズムは、我々の社会の資源と制裁の大部分を分配するのに使われています。
これらのアルゴリズムは意思決定の効率と公平性を改善することができる。
しかし、彼らは特に人種、民族、性別のラインで格差を拡大し、悪化させる可能性がある。
論文 参考訳（メタデータ） (2023-02-17T22:00:44Z) - Corruption-Robust Algorithms with Uncertainty Weighting for Nonlinear
Contextual Bandits and Markov Decision Processes [59.61248760134937]
本稿では,$tildeO(sqrtT+zeta)$を後悔するアルゴリズムを提案する。
提案アルゴリズムは、最近開発された線形文脈帯域からの不確実性重み付き最小二乗回帰に依存する。
本稿では,提案アルゴリズムをエピソディックなMDP設定に一般化し,まず汚職レベル$zeta$への付加的依存を実現する。
論文 参考訳（メタデータ） (2022-12-12T15:04:56Z) - Nearly Optimal Algorithms for Linear Contextual Bandits with Adversarial
Corruptions [98.75618795470524]
本稿では,敵対的腐敗の存在下での線形文脈的包帯問題について検討する。
我々は不確実性に直面した楽観主義の原理に基づく新しいアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-05-13T17:58:58Z) - Analyzing a Carceral Algorithm used by the Pennsylvania Department of
Corrections [0.0]
本論文は、投獄中の囚人の収容レベルを分類するために使用されるペンシルベニア付加分類ツール(PACT)に焦点を当てる。
この場合のアルゴリズムは、追加の懲戒行為に耐え、必要なプログラミングを完了し、特に仮釈放アルゴリズムに入力される変数に蒸留される経験を得る可能性を決定する。
論文 参考訳（メタデータ） (2021-12-06T18:47:31Z) - Uncertainty in Criminal Justice Algorithms: simulation studies of the
Pennsylvania Additive Classification Tool [0.0]
我々は、投獄された個人に留置レベルを割り当てるペンシルバニア付加分類ツール(PACT)について検討した。
我々は、刑事司法アルゴリズムがしばしば分析される方法で、PACTを分析します。
我々は,そのようなアルゴリズムを研究するための新しい手法を提案し,実施する。
論文 参考訳（メタデータ） (2021-12-01T06:27:24Z) - Learning to be Fair: A Consequentialist Approach to Equitable
Decision-Making [21.152377319502705]
等価なアルゴリズムを設計するための代替フレームワークを提案する。
このアプローチでは、まず第一に、決定の可能な空間よりも利害関係者の選好を導きます。
次に、決定ポリシーの空間を最適化し、提案されたユーティリティを最大化する方法でトレードオフを行います。
論文 参考訳（メタデータ） (2021-09-18T00:30:43Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Double Coverage with Machine-Learned Advice [100.23487145400833]
オンラインの基本的な$k$-serverの問題を学習強化環境で研究する。
我々のアルゴリズムは任意の k に対してほぼ最適の一貫性-破壊性トレードオフを達成することを示す。
論文 参考訳（メタデータ） (2021-03-02T11:04:33Z) - Greedy Algorithm almost Dominates in Smoothed Contextual Bandits [100.09904315064372]
オンライン学習アルゴリズムは探索と搾取のバランスをとる必要がある。
欲求的アプローチは、他のアルゴリズムのベイズ的後悔率とほぼ一致していることを示す。
論文 参考訳（メタデータ） (2020-05-19T18:11:40Z)
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。