論文の概要: Representativeness in Statistics, Politics, and Machine Learning

• arxiv url: http://arxiv.org/abs/2101.03827v3
• Date: Wed, 10 Feb 2021 14:20:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 02:53:18.068905
• Title: Representativeness in Statistics, Politics, and Machine Learning
• Title（参考訳）: 統計、政治、機械学習における代表性
• Authors: Kyla Chasalow, Karen Levy
• Abstract要約: 代表性は基本的なが滑りやすい概念である。 代表性とは何か、どのように社会的に動員されるのか、どのような価値や理想がコミュニケーションや対面するのかを問う。 FAccTの議論において,代表性がどのように使われているのかを考察するために,これらの分析を引用する。
• 参考スコア（独自算出の注目度）: 0.720851507101878
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Representativeness is a foundational yet slippery concept. Though familiar at first blush, it lacks a single precise meaning. Instead, meanings range from typical or characteristic, to a proportionate match between sample and population, to a more general sense of accuracy, generalizability, coverage, or inclusiveness. Moreover, the concept has long been contested. In statistics, debates about the merits and methods of selecting a representative sample date back to the late 19th century; in politics, debates about the value of likeness as a logic of political representation are older still. Today, as the concept crops up in the study of fairness and accountability in machine learning, we need to carefully consider the term's meanings in order to communicate clearly and account for their normative implications. In this paper, we ask what representativeness means, how it is mobilized socially, and what values and ideals it communicates or confronts. We trace the concept's history in statistics and discuss normative tensions concerning its relationship to likeness, exclusion, authority, and aspiration. We draw on these analyses to think through how representativeness is used in FAccT debates, with emphasis on data, shift, participation, and power.
• Abstract（参考訳）: 代表性は基本的なが滑りやすい概念である。 初めは馴染み深いが、単一の正確な意味を欠いている。 代わりに、意味は、典型的または特徴から、サンプルと集団の比例一致、より一般的な精度、一般化可能性、カバレッジ、包括性まで様々である。 さらに、この概念は長い間議論されてきた。 統計学では、代表サンプルの選択のメリットと方法に関する議論は19世紀後半までさかのぼるが、政治学では、政治的表現の論理としての類似性の価値に関する議論は古い。 今日では、機械学習における公正性と説明責任の研究においてこの概念が発展するにつれて、明確にコミュニケーションし、規範的意味を説明するために、この用語の意味を慎重に検討する必要がある。 本稿では,代表性が何を意味するのか,社会的にどのように動員されるのか,どのような価値や理想がコミュニケーションや対面するかを問う。 我々は、統計学における概念の歴史を辿り、その類似性、排他性、権威、願望との関係に関する規範的緊張について論じる。 私たちはこれらの分析に基づいて、facctの議論において、データ、シフト、参加、力に重点を置いた代表性がどのように使われているかを考える。

関連論文リスト

• 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)
• What-is and How-to for Fairness in Machine Learning: A Survey, Reflection, and Perspective [13.124434298120494]
  機械学習文学においてこれまで提案されてきたフェアネスの概念を概観し,考察する。 また、現在の予測と決定によって引き起こされる長期的な影響についても検討する。 本稿では、目的を達成するために、ミッション(どんな公正を強制したいのか)と手段(どの公正分析が興味を持つのか)を一致させることの重要性を示す。
  論文  参考訳（メタデータ） (2022-06-08T18:05:46Z)
• On Disentangled and Locally Fair Representations [95.6635227371479]
  人種や性別などのセンシティブなグループに対して公平な方法で分類を行うという課題について検討する。 局所的公正表現を学習し、学習された表現の下で、各サンプルの近傍は感度特性の観点からバランスをとる。
  論文  参考訳（メタデータ） (2022-05-05T14:26:50Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Data Representativity for Machine Learning and AI Systems [2.588973722689844]
  機械学習モデルを通じてデータから推論を描く場合、データの表現力は不可欠である。 本稿では,AIとサンプリングに関する科学文献におけるデータ表現性について分析する。
  論文  参考訳（メタデータ） (2022-03-09T13:34:52Z)
• Exhaustivity and anti-exhaustivity in the RSA framework: Testing the effect of prior beliefs [68.8204255655161]
  我々は,先行に対する感受性が合理的音声法(RSA)フレームワークの直感的予測に繋がる事例に着目した。 本研究では, ベースラインRSAモデルにおいて, 一定の条件下では, 反排他的読解が予測されることを示す。 RSAフレームワーク全体で予測されるように、メッセージ選択は事前に敏感である。
  論文  参考訳（メタデータ） (2022-02-14T20:35:03Z)
• Measuring a Texts Fairness Dimensions Using Machine Learning Based on Social Psychological Factors [0.0]
  フェアネスアセスメントを行う際、心理学を用いて人間が使用する主要な要因を判断する。 単語埋め込みを多次元の文レベルフェアネス認識ベクトルにデジタイズする。 第2のアプローチは、上記のフェアネス近似ベクトルに基づくPCAとMLを使い、F1スコアは86.2である。
  論文  参考訳（メタデータ） (2021-10-29T21:09:17Z)
• Mundus vult decipi, ergo decipiatur: Visual Communication of Uncertainty in Election Polls [56.8172499765118]
  我々は、今放送と予測におけるバイアスの潜在的な源について論じる。 概念は、誤認識された正確性の問題を軽減するために提示される。 主要なアイデアの1つは、パーティーシェアではなくイベントの確率を使うことである。
  論文  参考訳（メタデータ） (2021-04-28T07:02:24Z)
• Statistical Equity: A Fairness Classification Objective [6.174903055136084]
  エクイティの原則によって動機付けられた新しい公平性の定義を提案する。 フェアネスの定義を形式化し、適切な文脈でモチベーションを与えます。 我々は、定義の有効性を示すために、複数の自動評価と人的評価を行う。
  論文  参考訳（メタデータ） (2020-05-14T23:19:38Z)
• A Philosophy of Data [91.3755431537592]
  我々は、統計計算に必要な基本特性から統計データの定義まで研究する。 我々は、有用なデータの必要性は、プロパティを根本的にユニークか等しく理解することを規則化する必要があると論じている。 データとデータ技術への依存度が高まるにつれて、この2つの特徴は現実の集合概念に影響を与えます。
  論文  参考訳（メタデータ） (2020-04-15T14:47:24Z)

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。