論文の概要: Uncertainty in Criminal Justice Algorithms: simulation studies of the
Pennsylvania Additive Classification Tool
- arxiv url: http://arxiv.org/abs/2112.00301v1
- Date: Wed, 1 Dec 2021 06:27:24 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-06 04:50:28.040330
- Title: Uncertainty in Criminal Justice Algorithms: simulation studies of the
Pennsylvania Additive Classification Tool
- Title（参考訳）: 刑事司法アルゴリズムの不確実性:ペンシルバニア加法分類ツールのシミュレーション研究
- Authors: Swarup Dhar, Vanessa Massaro, Darakhshan Mir, Nathan C. Ryan
- Abstract要約: 我々は、投獄された個人に留置レベルを割り当てるペンシルバニア付加分類ツール(PACT)について検討した。
我々は、刑事司法アルゴリズムがしばしば分析される方法で、PACTを分析します。
我々は,そのようなアルゴリズムを研究するための新しい手法を提案し,実施する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Much attention has been paid to algorithms related to sentencing, the setting
of bail, parole decisions and recidivism while less attention has been paid to
carceral algorithms, those algorithms used to determine an incarcerated
individual's lived experience. In this paper we study one such algorithm, the
Pennsylvania Additive Classification Tool (PACT) that assigns custody levels to
incarcerated individuals. We analyze the PACT in ways that criminal justice
algorithms are often analyzed: namely, we train an accurate machine learning
model for the PACT; we study its fairness across sex, age and race; and we
determine which features are most important. In addition to these conventional
computations, we propose and carry out some new ways to study such algorithms.
Instead of focusing on the outcomes themselves, we propose shifting our
attention to the variability in the outcomes, especially because many carceral
algorithms are used repeatedly and there can be a propagation of uncertainty.
By carrying out several simulations of assigning custody levels, we shine light
on problematic aspects of tools like the PACT.
- Abstract（参考訳）: 判決、保釈の条件、仮釈放の決定、復権に関するアルゴリズムに多くの注意が払われてきたが、このアルゴリズムは投獄された個人の生きた経験を決定するために使われた。
そこで本研究では,収監された個人に保護レベルを割り当てるペンシルバニア加法分類ツール(pact)について検討する。
我々は、犯罪司法アルゴリズムがしばしば分析される方法として、PACTの正確な機械学習モデルをトレーニングし、性別、年齢、人種の公平性を調査し、どの特徴が最も重要であるかを判断する。
従来の計算に加えて,そのようなアルゴリズムを研究するための新しい手法を提案し,実施する。
結果自体に焦点をあてるのではなく、特に多くの内臓アルゴリズムが繰り返し使われ、不確実性の伝播があるため、結果の変動性に注意を向けることを提案する。
留置レベルを割り当てるシミュレーションを複数実施することにより、PACTのようなツールの問題点に光を当てる。
関連論文リスト
- Algorithms, Incentives, and Democracy [0.0]
アルゴリズム設計者による最適分類が集団の行動分布にどのように影響するかを示す。
次に、報酬と罰、または利害関係をアルゴリズム分類に民主化する効果を見て、社会が捕食的分類をいかに生み出すか(または促進するか)を検討する。
論文 参考訳（メタデータ） (2023-07-05T14:22:01Z) - A Gold Standard Dataset for the Reviewer Assignment Problem [117.59690218507565]
類似度スコア(Similarity score)とは、論文のレビューにおいて、レビュアーの専門知識を数値で見積もるものである。
私たちのデータセットは、58人の研究者による477の自己申告された専門知識スコアで構成されています。
2つの論文をレビュアーに関連付けるタスクは、簡単なケースでは12%～30%、ハードケースでは36%～43%である。
論文 参考訳（メタデータ） (2023-03-23T16:15:03Z) - Selective Credit Assignment [57.41789233550586]
選択的クレジット代入のための時間差アルゴリズムについて統一的な視点を述べる。
価値に基づく学習と計画アルゴリズムへの重み付けの適用に関する洞察を提供する。
論文 参考訳（メタデータ） (2022-02-20T00:07:57Z) - Analyzing a Carceral Algorithm used by the Pennsylvania Department of
Corrections [0.0]
本論文は、投獄中の囚人の収容レベルを分類するために使用されるペンシルベニア付加分類ツール(PACT)に焦点を当てる。
この場合のアルゴリズムは、追加の懲戒行為に耐え、必要なプログラミングを完了し、特に仮釈放アルゴリズムに入力される変数に蒸留される経験を得る可能性を決定する。
論文 参考訳（メタデータ） (2021-12-06T18:47:31Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Deep Interpretable Criminal Charge Prediction and Algorithmic Bias [2.3347476425292717]
本稿では, ポストホックな説明のバイアス問題に対処し, 将来の刑事告発を受けるかどうかの信頼性の高い予測を行う。
提案手法は,実生活データセット上での予測精度とリコールの一貫性と信頼性を示す。
論文 参考訳（メタデータ） (2021-06-25T07:00:13Z) - Pursuing Open-Source Development of Predictive Algorithms: The Case of
Criminal Sentencing Algorithms [0.0]
オープンソースアルゴリズムの開発は、高度に連続した文脈における標準であるべきだと我々は主張する。
これらの問題は、ほぼ全ての広く使われている刑事判決アルゴリズムの、プロプライエタリで高価な性質によって悪化していることを示唆する。
論文 参考訳（メタデータ） (2020-11-12T14:53:43Z) - Efficient Computation of Expectations under Spanning Tree Distributions [67.71280539312536]
本稿では,エッジファクター,非プロジェクティブ・スパンニングツリーモデルにおいて,一階期待と二階期待の重要なケースに対する統一アルゴリズムを提案する。
我々のアルゴリズムは勾配と期待の基本的な関係を利用しており、効率的なアルゴリズムを導出することができる。
論文 参考訳（メタデータ） (2020-08-29T14:58:26Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z) - Meta-learning with Stochastic Linear Bandits [120.43000970418939]
我々は、よく知られたOFULアルゴリズムの正規化バージョンを実装するバンディットアルゴリズムのクラスを考える。
我々は,タスク数の増加とタスク分散の分散が小さくなると,タスクを個別に学習する上で,我々の戦略が大きな優位性を持つことを理論的および実験的に示す。
論文 参考訳（メタデータ） (2020-05-18T08:41:39Z)
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。