Fugu-MT 論文翻訳(概要): Identifying biases in legal data: An algorithmic fairness perspective

論文の概要: Identifying biases in legal data: An algorithmic fairness perspective

arxiv url: http://arxiv.org/abs/2109.09946v1
Date: Tue, 21 Sep 2021 04:05:12 GMT
ステータス: 処理完了
システム内更新日: 2021-09-22 14:39:06.397042
Title: Identifying biases in legal data: An algorithmic fairness perspective
Title（参考訳）: 法的データにおけるバイアスの同定:アルゴリズム的公平性の観点から
Authors: Jackson Sargent, Melanie Weber
Abstract要約: 本稿では,アルゴリズムの公正性の観点から,大規模訴訟データにおけるバイアスの同定と測定の問題について検討する。我々の手法は2つの回帰モデルを用いており、データによって与えられる「典型的」裁判官の決定を表すベースラインと、3つの公正の概念のうちの1つを適用する「公正」裁判官である。
参考スコア（独自算出の注目度）: 3.8073142980733
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The need to address representation biases and sentencing disparities in legal case data has long been recognized. Here, we study the problem of identifying and measuring biases in large-scale legal case data from an algorithmic fairness perspective. Our approach utilizes two regression models: A baseline that represents the decisions of a "typical" judge as given by the data and a "fair" judge that applies one of three fairness concepts. Comparing the decisions of the "typical" judge and the "fair" judge allows for quantifying biases across demographic groups, as we demonstrate in four case studies on criminal data from Cook County (Illinois).
Abstract（参考訳）: 判例データにおける表現バイアスと判決格差に対処する必要性は、長い間認識されてきた。本稿では,大規模判例データ中のバイアスをアルゴリズム的公平性の観点から同定・測定する問題について検討する。このアプローチでは,2つの回帰モデルを採用している。データから与えられる「定型」判断のベースラインと,3つのフェアネス概念の1つを適用する「フェア」判断のベースラインである。典型的な」裁判官と「フェア」判事の判断を比較することで、クック郡(イリノイ市)の犯罪データに関する4つのケーススタディで示されるように、集団間のバイアスを定量化することができる。

関連論文リスト

Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文参考訳（メタデータ） (2023-10-18T10:32:39Z)
Compatibility of Fairness Metrics with EU Non-Discrimination Laws: Demographic Parity & Conditional Demographic Disparity [3.5607241839298878]
実証的な証拠は、機械学習(ML)技術によって駆動されるアルゴリズムによる決定が、法的に保護されたグループに対する差別を脅かしたり、新たな不公平な情報源を創り出すことを示唆している。この研究は、公正度メトリックと公正度制約による法的公正性を保証するためのポイントを評価することを目的としています。我々の実験と分析は、手元にあるケースと法的正当性に応じて、AIによる意思決定が法的な観点から公平である可能性を示唆している。
論文参考訳（メタデータ） (2023-06-14T09:38:05Z)
Arbitrariness and Social Prediction: The Confounding Role of Variance in Fair Classification [31.392067805022414]
異なる訓練されたモデル間での予測のばらつきは、公正なバイナリ分類における重要な、未探索のエラーの原因である。実際には、いくつかのデータ例のばらつきは非常に大きいので、決定を効果的に任意にすることができる。予測が任意である場合に分類を省略するアンサンブルアルゴリズムを開発した。
論文参考訳（メタデータ） (2023-01-27T06:52:04Z)
D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文参考訳（メタデータ） (2022-08-10T03:41:48Z)
Understanding Unfairness in Fraud Detection through Model and Data Bias Interactions [4.159343412286401]
アルゴリズムの不公平性は、データ内のモデルとバイアスの間の相互作用に起因すると我々は主張する。フェアネスブラインドMLアルゴリズムが示す公平さと正確さのトレードオフに関する仮説を、異なるデータバイアス設定下で検討する。
論文参考訳（メタデータ） (2022-07-13T15:18:30Z)
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)
Legal perspective on possible fairness measures - A legal discussion using the example of hiring decisions (preprint) [0.0]
雇用決定の特定の適用に適用可能な、さまざまな公正の概念を説明します。本研究は,それぞれの公正解釈について,その長所と短所を分析し,法的観点から評価する。
論文参考訳（メタデータ） (2021-08-16T06:41:39Z)
Equality before the Law: Legal Judgment Consistency Analysis for Fairness [55.91612739713396]
本論文では,LInCo(Legal Inconsistency Coefficient)の判定不整合性評価指標を提案する。法的な判断予測(LJP)モデルを用いて異なる集団の裁判官をシミュレートし、異なる集団で訓練されたLJPモデルによる判断結果の不一致を判断する。私達はLInCoを実際の場合の不一致を探検するために使用し、次の観察に来ます:(1)地域およびジェンダーの不一致は法制度でありますが、ジェンダーの不一致は地方不一致より大いにより少しです。
論文参考訳（メタデータ） (2021-03-25T14:28:00Z)
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)
Fairness Evaluation in Presence of Biased Noisy Labels [84.12514975093826]
本稿では,グループ間の雑音の仮定がリスク評価モデルの予測バイアス特性に与える影響を評価するための感度分析フレームワークを提案する。 2つの実世界の刑事司法データセットに関する実験結果は、観測されたラベルの小さなバイアスでさえ、ノイズのある結果に基づく分析結果の結論に疑問を投げかけることができることを示している。
論文参考訳（メタデータ） (2020-03-30T20:47:00Z)
Fair Prediction with Endogenous Behavior [14.004287903552534]
刑事司法を例として,社会が投獄規則を選択するモデルについて検討する。その結果,グループ間でのI型とII型エラーの等化は,犯罪率の最小化という目標と一致していることがわかった。
論文参考訳（メタデータ） (2020-02-18T16:07:25Z)

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。