論文の概要: Better Together? How Externalities of Size Complicate Notions of
Solidarity and Actuarial Fairness
- arxiv url: http://arxiv.org/abs/2103.00347v2
- Date: Wed, 1 Dec 2021 17:52:47 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-09 18:33:42.222891
- Title: Better Together? How Externalities of Size Complicate Notions of
Solidarity and Actuarial Fairness
- Title(参考訳): より良く?
大きさの外部性は, ソリタリティとアクチュアリフェアネスを複雑にする
- Authors: Kate Donahue and Solon Barocas
- Abstract要約: 公平性の2つの概念は、(a)各個人に同じ価格または(b)各個人がプールにもたらすコストに応じて課金する。
個別のリスクプールとは対照的に、コストが均等に分散した保険プールに参加することで、両グループ(高いリスクと低いリスク)が厳格に利益を得ることが可能であることを示す。
我々は、低リスク者が保険プールに滞在するためのインセンティブを維持しつつ、高いリスクグループを最大限に補助する価格体系をつくり上げます。
- 参考スコア(独自算出の注目度): 4.94950858749529
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Consider a cost-sharing game with players of different contribution to the
total cost: an example might be an insurance company calculating premiums for a
population of mixed-risk individuals. Two natural and competing notions of
fairness might be to a) charge each individual the same price or b) charge each
individual according to the cost that they bring to the pool. In the insurance
literature, these general approaches are referred to as "solidarity" and
"actuarial fairness" and are commonly viewed as opposites. However, in
insurance (and many other natural settings), the cost-sharing game also
exhibits "externalities of size": all else being equal, larger groups have
lower average cost. In the insurance case, we analyze a model with
externalities of size due to a reduction in the variability of losses. We
explore how this complicates traditional understandings of fairness, drawing on
literature in cooperative game theory.
First, we explore solidarity: we show that it is possible for both groups
(high and low risk) to strictly benefit by joining an insurance pool where
costs are evenly split, as opposed to being in separate risk pools. We build on
this by producing a pricing scheme that maximally subsidizes the high risk
group, while maintaining an incentive for lower risk people to stay in the
insurance pool. Next, we demonstrate that with this new model, the price
charged to each individual has to depend on the risk of other participants,
making naive actuarial fairness inefficient. Furthermore, we prove that stable
pricing schemes must be ones where players have the anti-social incentive of
desiring riskier partners, contradicting motivations for using actuarial
fairness. Finally, we describe how these results relate to debates about
fairness in machine learning and potential avenues for future research.
- Abstract(参考訳): 例えば、保険会社が混合リスクの個人に対するプレミアムを計算している場合もあります。
公正性の自然で競合する2つの概念は
a) 各個人に同じ価格で課金する
b) プールにもたらしたコストに応じて,各個人に課金する。
保険文献では、これらの一般的なアプローチは「合理性」や「アクチュアラルフェアネス」と呼ばれ、逆と見なされることが多い。
しかし、保険(および多くの自然環境)において、コスト共有ゲームは「外部規模のサイズ」も示している。
保険のケースでは,損失のばらつきの低減によるサイズ外部性を考慮したモデルの解析を行う。
協調ゲーム理論における文学を基礎として、従来の公正性の理解をいかに複雑にするかを考察する。
まず,両グループ(高リスク・低リスク)が,個別のリスクプールとは対照的に,費用が均等に分配された保険プールに参加することで,厳格な利益を得ることが可能であることを実証する。
我々は、低リスク者が保険プールに滞在するためのインセンティブを維持しつつ、高いリスクグループを最大限に補助する価格体系をつくり上げます。
次に、この新しいモデルでは、各個人に課金される価格が、他の参加者のリスクに依存する必要があることを実証し、naive actuarial fairnessを非効率にする。
さらに、安定した価格体系は、プレイヤーがリスクの高いパートナーを欲しがる反社会的なインセンティブを持つものでなければならないことを証明し、現実の公平さを使う動機と矛盾する。
最後に,これらの結果が機械学習の公平性に関する議論と今後の研究への道筋について述べる。
関連論文リスト
- Measuring and Mitigating Biases in Motor Insurance Pricing [1.3812010983144802]
非生命保険部門は高度に競争力があり厳格に規制された枠組みで運営されている。
年齢ベースのプレミアムフェアネスは、特定の保険ドメインにも義務付けられている。
ある保険領域では、重篤な疾患や障害の存在などの変数が、公正性を評価するための新しい次元として現れている。
論文 参考訳(メタデータ) (2023-11-20T16:34:48Z) - A Discussion of Discrimination and Fairness in Insurance Pricing [0.0]
グループフェアネスの概念は、保険価格の計算における保護特性の影響を和らげるために提案されている。
代行差別のない統計モデルを提案するので、保険価格の観点からは非プロブレマティックである。
この統計モデルの標準価格は、最も人気のある3つの群フェアネス公理のいずれかを満たすものではない。
論文 参考訳(メタデータ) (2022-09-02T07:31:37Z) - A Risk-Sensitive Approach to Policy Optimization [21.684251937825234]
標準深層強化学習(DRL)は、政策の定式化における収集経験を均等に考慮し、期待される報酬を最大化することを目的としている。
そこで本研究では,フルエピソード報酬の分布の累積分布関数 (CDF) で規定されるリスク感性目標を最適化する,より直接的なアプローチを提案する。
エージェントの動作が不十分なシナリオを強調する中程度の「悲観的」リスクプロファイルの使用が,探索の強化と,障害への継続的な対処に繋がることを示す。
論文 参考訳(メタデータ) (2022-08-19T00:55:05Z) - Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。
具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文 参考訳(メタデータ) (2022-04-29T19:13:23Z) - A Fair Pricing Model via Adversarial Learning [3.983383967538961]
保険事業の核心はリスクと非リスクの保険の分類にある。
公平なアクチュアリ分類と「差別」の区別は微妙である。
予測器のみの偏りは、適切な精度を維持するには不十分であることを示す。
論文 参考訳(メタデータ) (2022-02-24T10:42:20Z) - Learning Collective Action under Risk Diversity [68.88688248278102]
集団的リスクジレンマを演じることを学ぶエージェントのグループにおけるリスク多様性の結果について検討する。
リスクの多様性は、全体的な協力を著しく減らし、全体的な目標達成を妨げることを示す。
この結果から,エージェント間のリスク認識の整合性や新たな学習技術開発の必要性が浮き彫りになった。
論文 参考訳(メタデータ) (2022-01-30T18:21:21Z) - Identifying Undercompensated Groups Defined By Multiple Attributes in
Risk Adjustment [0.09137554315375918]
我々は,米国保健保険市場と医療機関で使用されるリスク調整式を評価した。
マーケットプレースリスク調整式では,複数の慢性状態の群が過小評価されていることがわかった。
医療リスク調整式では, 複雑な群が常に過小評価され, 過小評価されることは認められなかった。
論文 参考訳(メタデータ) (2021-05-18T13:09:13Z) - Fairness, Welfare, and Equity in Personalized Pricing [88.9134799076718]
顧客特性に基づくパーソナライズ価格における公平性、福祉、株式の配慮の相互作用について検討する。
選択ワクチンの価格補助金と、マイクロクレジットの下流結果に対するパーソナライズされた利率の影響の2つの設定において、パーソナライズされた価格の潜在的利点を示す。
論文 参考訳(メタデータ) (2020-12-21T01:01:56Z) - PAC$^m$-Bayes: Narrowing the Empirical Risk Gap in the Misspecified
Bayesian Regime [75.19403612525811]
この研究は、2つのリスク間のトレードオフを分散することでギャップを埋めることのできるマルチサンプル損失を開発する。
実証的研究は予測分布の改善を示す。
論文 参考訳(メタデータ) (2020-10-19T16:08:34Z) - Competing Bandits: The Perils of Exploration Under Competition [119.39607854637798]
オンラインプラットフォーム上での探索と競争の相互作用について検討する。
私たちは、スタークコンペティションが企業に対して、低福祉につながる「欲張り」バンディットアルゴリズムにコミットするよう促すことに気付きました。
競争を弱めるための2つのチャンネルについて検討する。
論文 参考訳(メタデータ) (2020-07-20T14:19:08Z) - Cost-Sensitive Portfolio Selection via Deep Reinforcement Learning [100.73223416589596]
深層強化学習を用いたコスト依存型ポートフォリオ選択手法を提案する。
具体的には、価格系列パターンと資産相関の両方を抽出するために、新しい2ストリームポートフォリオポリシーネットワークを考案した。
蓄積したリターンを最大化し、強化学習によるコストの両立を抑えるため、新たなコスト感受性報酬関数が開発された。
論文 参考訳(メタデータ) (2020-03-06T06:28:17Z)
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。