論文の概要: Analysis of the Pennsylvania Additive Classification Tool: Biases and Important Features

• arxiv url: http://arxiv.org/abs/2112.05860v1
• Date: Fri, 10 Dec 2021 23:00:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-04 22:25:33.008329
• Title: Analysis of the Pennsylvania Additive Classification Tool: Biases and Important Features
• Title（参考訳）: ペンシルバニア添加物分類ツールの解析:バイアスと重要な特徴
• Authors: Swarup Dhar and Vanessa Massaro and Darakhshan Mir and Nathan C. Ryan
• Abstract要約: ペンシルベニア州付加分類ツール(PACT)は、州内の刑務所システムで投獄されている人のセキュリティレベルを決定するために使用されている。 新たに投獄された人には、最初の分類で使用される。 収監された人は毎年、PACTの変種を使用して再分類され、この再分類はオーバーライドされる。
• 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: The Pennsylvania Additive Classification Tool (PACT) is a carceral algorithm used by the Pennsylvania Department of Corrections in order to determine the security level for an incarcerated person in the state's prison system. For a newly incarcerated person it is used in their initial classification. The initial classification can be overridden both for discretionary and administrative reasons. An incarcerated person is reclassified annually using a variant of the PACT and this reclassification can be overridden, too, and for similar reasons. In this paper, for each of these four processes (the two classifications and their corresponding overrides), we develop several logistic models, both binary and multinomial, to replicate these processes with high accuracy. By examining these models, we both identify which features are most important in the model and quantify and describe biases that exist in the PACT, its overrides, and its use in reclassification. Because the details of how the PACT operates have been redacted from public documents, it is important to know how it works and what disparate impact it might have on different incarcerated people.
• Abstract（参考訳）: ペンシルバニア加法分類ツール(pennsylvania additive classification tool,pact)は、ペンシルベニア州矯正省が、州刑務所システムにおいて投獄された人のセキュリティレベルを決定するために使用するカーセラーアルゴリズムである。 新たに投獄された人には、最初の分類で使用される。 最初の分類は、裁量と行政上の理由からオーバーライドすることができる。 収容された人物は毎年、協定の変種を使用して再分類され、この再分類もまた、同様の理由でオーバーライドすることができる。 本稿では,これら4つのプロセスのそれぞれ(2つの分類と対応するオーバーライド)に対して,これらのプロセスを高精度に再現するために,二項および多項のロジスティックモデルを開発する。 これらのモデルを調べることで、モデルで最も重要な特徴を特定し、契約に存在するバイアス、そのオーバーライド、再分類におけるその使用を定量化し、記述する。 協定の運営の詳細は公文書から削除されているため、どのように機能し、どのように異なる収容者に影響を与えるかを知ることが重要である。

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)
• Same or Different? Diff-Vectors for Authorship Analysis [78.83284164605473]
  古典的な著作物分析において、特徴ベクトルは文書を表し、特徴の値は文書中の特徴の相対周波数(関数の増大)を表し、クラスラベルは文書の著者を表す。 筆者らの実験は共著者検証,著者検証,クローズドセットの著者帰属に取り組んでおり,DVは自然に第1の問題を解くのに向いているが,第2と第3の問題を解くための2つの新しい方法も提供している。
  論文  参考訳（メタデータ） (2023-01-24T08:48:12Z)
• PatchMix Augmentation to Identify Causal Features in Few-shot Learning [55.64873998196191]
  少ないショット学習は、十分なカテゴリをラベル付けしたデータに基づいて学習した知識を、少ない既知の情報を持つ新しいカテゴリに転送することを目的としている。 我々はPatchMixと呼ばれる新しいデータ拡張戦略を提案し、この急激な依存関係を壊すことができる。 このような拡張メカニズムが,既存のメカニズムと異なり,因果的特徴を識別可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-29T08:41:29Z)
• 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)
• Uncertainty in Criminal Justice Algorithms: simulation studies of the Pennsylvania Additive Classification Tool [0.0]
  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。
  論文  参考訳（メタデータ） (2021-12-01T06:27:24Z)
• Rating Facts under Coarse-to-fine Regimes [0.533024001730262]
  PolitiFactから24Kのレーティングステートメントを手作業で収集します。 我々のタスクは、クラス間の様々な類似性のため、標準分類から逸脱している。 トレーニング後、クラス類似性は、特にきめ細かいデータセットにおいて、マルチクラスデータセットに対して意味がある。
  論文  参考訳（メタデータ） (2021-07-13T13:05:11Z)
• Evaluating Large-Vocabulary Object Detectors: The Devil is in the Details [107.2722027807328]
  我々は、APのデフォルト実装はカテゴリー独立ではなく、適切に校正された検出器を直接報酬するものではないことを発見した。 既定の実装ではゲーム可能なメトリックが生成され、単純で非合理的な再ランクポリシーがAPを大きなマージンで改善できることが示される。 我々は,近年の大規模語彙検出の進歩をベンチマークし,新たなクラスごとの独立性評価において,多くの報告された利益が改善に結びついていないことを発見した。
  論文  参考訳（メタデータ） (2021-02-01T18:56:02Z)
• Theoretical Insights Into Multiclass Classification: A High-dimensional Asymptotic View [82.80085730891126]
  線形多クラス分類の最初の現代的精度解析を行う。 分析の結果,分類精度は分布に依存していることがわかった。 得られた洞察は、他の分類アルゴリズムの正確な理解の道を開くかもしれない。
  論文  参考訳（メタデータ） (2020-11-16T05:17:29Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Data Augmentation and Clustering for Vehicle Make/Model Classification [0.0]
  我々は、異なる年にリリースされ、異なる視点で捕獲された車両のトレーニングデータセットを利用する方法を提案する。 また, クラスタリングによる製造・モデル分類の強化効果を示す。 ResNetアーキテクチャに基づくより深い畳み込みニューラルネットワークは、車両製造/モデル分類のトレーニングのために設計されている。
  論文  参考訳（メタデータ） (2020-09-14T18:24:31Z)
• Exploiting stance hierarchies for cost-sensitive stance detection of Web documents [24.898077978955406]
  スタンス検出は、請求書に対する文書の位置(スタンス)を特定することを目的としている。 本稿では,カスケードバイナリ分類器のモジュールパイプラインを提案する。 マイノリティクラスの誤分類コストを強調するニューラルネットワークと従来の分類モデルを組み合わせることで、我々のアプローチを実装します。
  論文  参考訳（メタデータ） (2020-07-29T21:40:01Z)

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。