Fugu-MT 論文翻訳(概要): The Disparate Impact of Uncertainty: Affirmative Action vs. Affirmative Information

論文の概要: The Disparate Impact of Uncertainty: Affirmative Action vs. Affirmative Information

arxiv url: http://arxiv.org/abs/2102.10019v4
Date: Thu, 26 Oct 2023 18:16:05 GMT
ステータス: 処理完了
システム内更新日: 2023-10-30 19:04:18.732769
Title: The Disparate Impact of Uncertainty: Affirmative Action vs. Affirmative Information
Title（参考訳）: 不確実性の異なる影響:肯定的行動と肯定的情報
Authors: Claire Lazar Reich
Abstract要約: 不確実性は意思決定に異なる影響を与える。平均的な結果の高い群は、通常、高い偽陽性率を割り当てられる。付加的なデータ取得は、格差を排除し、機会へのアクセスを拡大することを示します。
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: Critical decisions like loan approvals, medical interventions, and college admissions are guided by predictions made in the presence of uncertainty. In this paper, we prove that uncertainty has a disparate impact. While it imparts errors across all demographic groups, the types of errors vary systematically: Groups with higher average outcomes are typically assigned higher false positive rates, while those with lower average outcomes are assigned higher false negative rates. We show that additional data acquisition can eliminate the disparity and broaden access to opportunity. The strategy, which we call Affirmative Information, could stand as an alternative to Affirmative Action.
Abstract（参考訳）: ローン承認、医療介入、大学入学などの決定は、不確実性の存在下での予測によって導かれる。本稿では,不確実性が異なる影響があることを証明する。平均的な結果の高いグループは通常、偽陽性率が高いグループに割り当てられるが、平均的な結果の低いグループは、偽陰性率が高いグループに割り当てられる。付加的なデータ取得は、格差を排除し、機会へのアクセスを拡大できることを示す。私たちがAffirmative Informationと呼ぶこの戦略は、Affirmative Actionの代替となるかもしれません。

関連論文リスト

Auditing for Bias in Ad Delivery Using Inferred Demographic Attributes [50.37313459134418]
広告配信のブラックボックス監査において,予測誤差が偏見の監査に与える影響について検討した。本稿では,広告配信アルゴリズムのスキュー評価において,推測誤差を軽減する手法を提案する。
論文参考訳（メタデータ） (2024-10-30T18:57:03Z)
Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文参考訳（メタデータ） (2024-08-07T17:14:58Z)
Fighting Sampling Bias: A Framework for Training and Evaluating Credit Scoring Models [2.918530881730374]
本稿では,サンプリングバイアスがモデルトレーニングおよび評価に与える影響について考察する。スコアカード評価のためのバイアス認識型自己学習と拒絶推論フレームワークを提案する。その結果,ベイズ評価を用いて受入率を決定する場合,利益率が約8%向上することが示唆された。
論文参考訳（メタデータ） (2024-07-17T20:59:54Z)
De-Biasing Models of Biased Decisions: A Comparison of Methods Using Mortgage Application Data [0.0]
本稿では、住宅ローン申請決定の実データに反実的(シミュレートされた)民族バイアスを加える。このバイアスは、民族が予測変数として使用されていない場合でも、機械学習モデル(XGBoost)によって再現される。
論文参考訳（メタデータ） (2024-05-01T23:46:44Z)
Mitigating Label Bias in Machine Learning: Fairness through Confident Learning [22.031325797588476]
偏見のないラベルが潜在的なバイアスを持つエージェントによって上書きされると、識別が生じることがある。本稿では,自信ある学習の枠組みの中で,最も公平なインスタンスをフィルタリングすることで,バイアスを排除できることを実証する。
論文参考訳（メタデータ） (2023-12-14T08:55:38Z)
Unbiased Decisions Reduce Regret: Adversarial Domain Adaptation for the Bank Loan Problem [21.43618923706602]
データポイントがプリンシパルによって正のラベルを割り当てられた場合にのみ、真のラベルが観察される。本稿では、対向ドメイン適応を用いたトレーニングセットのバイアスに直接対処するために、対向最適化(AdOpt)を導入する。
論文参考訳（メタデータ） (2023-08-15T21:35:44Z)
Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文参考訳（メタデータ） (2021-10-21T18:28:57Z)
Balancing out Bias: Achieving Fairness Through Training Reweighting [58.201275105195485]
自然言語処理におけるバイアスは、性別や人種などの著者の特徴を学習するモデルから生じる。既存のバイアスの緩和と測定方法は、著者の人口統計学と言語変数の相関を直接考慮していない。本稿では,インスタンス再重み付けを用いたバイアス対策法を提案する。
論文参考訳（メタデータ） (2021-09-16T23:40:28Z)
Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
現在の顔認識(FR)モデルには、人口統計バイアスが存在する。さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
論文参考訳（メタデータ） (2021-03-16T15:05:49Z)
Leveraging Administrative Data for Bias Audits: Assessing Disparate Coverage with Mobility Data for COVID-19 Policy [61.60099467888073]
管理データのリンクによって,バイアスに対するモビリティデータの監査が可能かを示す。我々は、高齢者や非白人の有権者が移動データによって捕えられる可能性が低いことを示した。このような移動データに基づく公衆衛生資源の配分は、高リスク高齢者や少数民族に不当に害を与える可能性があることを示す。
論文参考訳（メタデータ） (2020-11-14T02:04:14Z)
Unfairness Discovery and Prevention For Few-Shot Regression [9.95899391250129]
歴史データの識別(あるいは偏見)に敏感な教師付き数発メタラーニングモデルの公平性について検討する。偏りのあるデータに基づいてトレーニングされた機械学習モデルは、少数グループのユーザに対して不公平な予測を行う傾向がある。
論文参考訳（メタデータ） (2020-09-23T22:34:06Z)

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。