Fugu-MT 論文翻訳(概要): Shortcomings of Counterfactual Fairness and a Proposed Modification

論文の概要: Shortcomings of Counterfactual Fairness and a Proposed Modification

arxiv url: http://arxiv.org/abs/2011.07312v1
Date: Sat, 14 Nov 2020 14:49:51 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 13:11:33.108916
Title: Shortcomings of Counterfactual Fairness and a Proposed Modification
Title（参考訳）: 対人フェアネスの欠点と修正の提案
Authors: Fabian Beigang
Abstract要約: 反事実的公正性は、アルゴリズムが公正であるために必要な条件ではないと私は主張する。そして、この欠点を解決するために、どのように制約を修正できるかを提案します。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, I argue that counterfactual fairness does not constitute a necessary condition for an algorithm to be fair, and subsequently suggest how the constraint can be modified in order to remedy this shortcoming. To this end, I discuss a hypothetical scenario in which counterfactual fairness and an intuitive judgment of fairness come apart. Then, I turn to the question how the concept of discrimination can be explicated in order to examine the shortcomings of counterfactual fairness as a necessary condition of algorithmic fairness in more detail. I then incorporate the insights of this analysis into a novel fairness constraint, causal relevance fairness, which is a modification of the counterfactual fairness constraint that seems to circumvent its shortcomings.
Abstract（参考訳）: 本稿では, アルゴリズムが公正であるために必要な条件として, 反実的公正性が欠かせないことを論じ, この欠点を解消するために, 制約をいかに修正できるかを示唆する。この目的のために, 虚偽の公平さと直観的な公正判断が相違する仮説的シナリオについて論じる。そこで, より詳細なアルゴリズムフェアネスの必要条件として, 対実フェアネスの欠点を検討するために, 差別の概念をいかに説明できるかを問う。次に、この分析の知見を、その欠点を回避していると思われる対実的公正制約の修正である、新たな公正制約、因果的妥当性公正に取り入れる。

関連論文リスト

Implementing Fairness: the view from a FairDream [0.0]
私たちはAIモデルをトレーニングし、不平等を検出して修正するために、独自の公正パッケージFairDreamを開発します。本実験は,FairDreamの特性として,真理を条件としたフェアネスの目標を達成できることを実証した。
論文参考訳（メタデータ） (2024-07-20T06:06:24Z)
What's Distributive Justice Got to Do with It? Rethinking Algorithmic Fairness from the Perspective of Approximate Justice [1.8434042562191815]
不完全な意思決定システムという文脈では、個人間での利益/利益の理想的な分配がどのようなものになるかだけを気にすべきではない、と私たちは主張する。このためには、アルゴリズムフェアネス研究者として、分配的正義を見極め、公正性基準を使用する方法を再考する必要がある。
論文参考訳（メタデータ） (2024-07-17T11:13:23Z)
Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文参考訳（メタデータ） (2024-05-24T11:19:52Z)
What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
論文参考訳（メタデータ） (2024-04-16T22:47:59Z)
Understanding Fairness Surrogate Functions in Algorithmic Fairness [21.555040357521907]
フェアネスの定義とフェアネスのサロゲート関数の間には、サロゲートとフェアネスのギャップがあることが示される。我々は、不公平を緩和するギャップを反復的に減少させる「バランスド・サロゲート」という、新規で一般的なアルゴリズムを精査する。
論文参考訳（メタデータ） (2023-10-17T12:40:53Z)
Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
論文参考訳（メタデータ） (2023-06-08T09:23:22Z)
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)
SLIDE: a surrogate fairness constraint to ensure fairness consistency [1.3649494534428745]
本稿では, SLIDE と呼ばれる新しい代用フェアネス制約を提案し, 高速収束率を実現する。数値実験により、SLIDEは様々なベンチマークデータセットでうまく機能することを確認した。
論文参考訳（メタデータ） (2022-02-07T13:50:21Z)
Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
論文参考訳（メタデータ） (2022-01-10T21:43:44Z)
Impossibility of What? Formal and Substantive Equality in Algorithmic Fairness [3.42658286826597]
アルゴリズムの公正性に対する支配的な「形式的」アプローチは、平等を追求する枠組みとして不十分である、と私は主張する。社会階層に反するアルゴリズムフェアネスに対する「実質的」アプローチを提案する。形式的および実体的アルゴリズム的公正の区別は、各アプローチの「公正の実証可能性」に対する応答によって実証される。
論文参考訳（メタデータ） (2021-07-09T19:29:57Z)
Algorithmic Decision Making with Conditional Fairness [48.76267073341723]
条件付きフェアネスを、条件付きフェアネス変数の条件付けにより、より健全なフェアネス計量として定義する。本稿では,アルゴリズム決定の精度と公平性のトレードオフを追跡するために,導出条件公正規則化器(DCFR)を提案する。
論文参考訳（メタデータ） (2020-06-18T12:56:28Z)

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。