論文の概要: On Measuring the Diversity of Organizational Networks

• arxiv url: http://arxiv.org/abs/2105.06929v1
• Date: Fri, 14 May 2021 16:20:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-17 12:39:27.056241
• Title: On Measuring the Diversity of Organizational Networks
• Title（参考訳）: 組織ネットワークの多様性の計測について
• Authors: Zeinab S. Jalali, Krishnaram Kenthapadi, and Sucheta Soundarajan
• Abstract要約: 多くの分野では、少数派集団の重度の過小表現がある。 このようなマッチングを見つけるための新しいアルゴリズムであるFairEA(Fair Employee Assignment)を提案する。 FairEAのアウトプットは、採用と割り当てのプラクティスを評価したい組織によってベンチマークとして使用できます。
• 参考スコア（独自算出の注目度）: 11.934832243093398
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interaction patterns of employees in social and professional networks play an important role in the success of employees and organizations as a whole. However, in many fields there is a severe under-representation of minority groups; moreover, minority individuals may be segregated from the rest of the network or isolated from one another. While the problem of increasing the representation of minority groups in various fields has been well-studied, diver- sification in terms of numbers alone may not be sufficient: social relationships should also be considered. In this work, we consider the problem of assigning a set of employment candidates to positions in a social network so that diversity and overall fitness are maximized, and propose Fair Employee Assignment (FairEA), a novel algorithm for finding such a matching. The output from FairEA can be used as a benchmark by organizations wishing to evaluate their hiring and assignment practices. On real and synthetic networks, we demonstrate that FairEA does well at finding high-fitness, high-diversity matchings.
• Abstract（参考訳）: ソーシャルネットワークとプロフェッショナルネットワークにおける従業員の相互作用パターンは、従業員や組織全体の成功に重要な役割を果たす。 しかし、多くの分野では、少数民族の深刻な下層表現があり、その上、少数民族はネットワークの他の部分から分離されるか、互いに孤立することがある。 諸分野におけるマイノリティ集団の表現を増大させる問題はよく研究されているが、数だけではダイバーシフィケーションは不十分であり、社会的関係も考慮すべきである。 そこで本研究では,多様性と全体的な適合性を最大化するために,一連の雇用候補者をソーシャルネットワークのポジションに割り当てる問題を考察し,このようなマッチングを見つけるための新しいアルゴリズムであるFair Employee Assignment(FairEA)を提案する。 FairEAからのアウトプットは、雇用と割り当てのプラクティスを評価したい組織によるベンチマークとして使用することができる。 実ネットワークと合成ネットワークにおいて、FairEAは高い適合性、高多様性のマッチングを見つけるのに有効であることを示す。

関連論文リスト

• The Impossibility of Fair LLMs [59.424918263776284]
  大規模言語モデル(LLM)の時代において、公正なAIの必要性はますます明確になっている。 我々は、機械学習研究者が公正性を評価するために使った技術フレームワークについてレビューする。 我々は、特定のユースケースにおける公平性を達成するためのより現実的な目標のためのガイドラインを策定する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• Federated Fairness without Access to Sensitive Groups [12.888927461513472]
  連合学習におけるグループフェアネスへの現在のアプローチは、トレーニング中に事前に定義されラベル付けされたセンシティブなグループが存在することを前提としている。 我々は、センシティブなグループや追加のラベルの事前定義された定義に依存しないグループフェアネスを保証するための新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-02-22T19:24:59Z)
• Equilibria, Efficiency, and Inequality in Network Formation for Hiring and Opportunity [7.232232177308125]
  本稿では,そのようなネットワークの形成とネットワーク内の機会の移動に関するモデルを提案する。 個人は他者と戦略的に結びつき、機会を得られる確率を最大化する。 平衡において、個人は、それらに類似した利益をもたらす人々とのつながりを形成する。
  論文  参考訳（メタデータ） (2024-02-21T14:38:37Z)
• Recommendation Fairness in Social Networks Over Time [20.27386486425493]
  提案手法は,時間経過に伴う推薦公平性の進化と動的ネットワーク特性との関係について検討する。 提案手法によらず,推奨公正性は時間の経過とともに向上することが示唆された。 マイノリティ比とホモフィリー比の2つのネットワーク特性は、時間とともに公平性と安定した相関を示す。
  論文  参考訳（メタデータ） (2024-02-05T19:03:23Z)
• Adaptive Coordination in Social Embodied Rearrangement [49.35582108902819]
  本研究では,エージェントが新しいパートナーと協力し,ロボットが新しいパートナーと協力するシナリオをエミュレートする作業において,ゼロショットコーディネート(ZSC)を研究する。 本稿では,識別可能性の目的を通じて多様性を促進する新しいZSCアプローチである行動多様性プレイ(BDP)を提案する。 以上の結果から,BDPは視覚的コーディネーションに対処可能な適応エージェントを学習し,ゼロショットは未確認環境において新たなパートナーに一般化し,ベースラインに比べて35%,効率が32%向上した。
  論文  参考訳（メタデータ） (2023-05-31T18:05:51Z)
• Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
  不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。 多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。 この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
  論文  参考訳（メタデータ） (2022-11-18T21:58:35Z)
• Stimulative Training of Residual Networks: A Social Psychology Perspective of Loafing [86.69698062642055]
  残余のネットワークは大きな成功を収め、今日のディープモデルでは欠かせないものになっている。 我々は,新たな社会的心理学的視点から,残余ネットワークのトレーニングプロセスを再検討することを目的としている。 残余ネットワークの性能を高めるための新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-09T03:15:51Z)
• Normative Disagreement as a Challenge for Cooperative AI [56.34005280792013]
  典型的な協調誘導学習アルゴリズムは、問題の解決に協力することができないと論じる。 我々は,ノルム適応政策のクラスを開発し,これらが協調性を著しく向上させることを示す実験を行った。
  論文  参考訳（メタデータ） (2021-11-27T11:37:42Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Characterizing Intersectional Group Fairness with Worst-Case Comparisons [0.0]
  我々は、公平度指標が交差性のレンズの下で検討される必要がある理由について議論する。 既存のグループ公平度指標の定義を拡張するための単純な最悪のケース比較方法を提案する。 現代の文脈における交差点の公平性を扱うための社会的、法的、政治的枠組みで締めくくります。
  論文  参考訳（メタデータ） (2021-01-05T17:44:33Z)

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。