論文の概要: Multi Stage Screening: Enforcing Fairness and Maximizing Efficiency in a Pre-Existing Pipeline

• arxiv url: http://arxiv.org/abs/2203.07513v1
• Date: Mon, 14 Mar 2022 21:45:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-16 13:01:27.229228
• Title: Multi Stage Screening: Enforcing Fairness and Maximizing Efficiency in a Pre-Existing Pipeline
• Title（参考訳）: 多段階スクリーニング:既存パイプラインにおける公平性と最大化効率の強化
• Authors: Avrim Blum, Kevin Stangl, Ali Vakilian
• Abstract要約: アクターがシーケンシャルスクリーニングプロセスを用いて選択決定を行うと考える。 最終段階では、費用がかかるが正確なテストが最終段階に進む個人に適用される。 選択過程における平等性を満たすアルゴリズムを提示する。
• 参考スコア（独自算出の注目度）: 20.17975729114442
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Consider an actor making selection decisions using a series of classifiers, which we term a sequential screening process. The early stages filter out some applicants, and in the final stage an expensive but accurate test is applied to the individuals that make it to the final stage. Since the final stage is expensive, if there are multiple groups with different fractions of positives at the penultimate stage (even if a slight gap), then the firm may naturally only choose to the apply the final (interview) stage solely to the highest precision group which would be clearly unfair to the other groups. Even if the firm is required to interview all of those who pass the final round, the tests themselves could have the property that qualified individuals from some groups pass more easily than qualified individuals from others. Thus, we consider requiring Equality of Opportunity (qualified individuals from each each group have the same chance of reaching the final stage and being interviewed). We then examine the goal of maximizing quantities of interest to the decision maker subject to this constraint, via modification of the probabilities of promotion through the screening process at each stage based on performance at the previous stage. We exhibit algorithms for satisfying Equal Opportunity over the selection process and maximizing precision (the fraction of interview that yield qualified candidates) as well as linear combinations of precision and recall (recall determines the number of applicants needed per hire) at the end of the final stage. We also present examples showing that the solution space is non-convex, which motivate our exact and (FPTAS) approximation algorithms for maximizing the linear combination of precision and recall. Finally, we discuss the `price of' adding additional restrictions, such as not allowing the decision maker to use group membership in its decision process.
• Abstract（参考訳）: 連続スクリーニングプロセスと呼ばれる一連の分類器を用いて選択決定を行うアクターを考えてみましょう。 初期段階は応募者を除外し、最終段階においては、高価なが正確なテストが最終段階へ進む個人に適用される。 最終段階は費用がかかるため、(わずかな差があっても)ペナルティステージに異なる正の分数を持つ複数のグループが存在する場合、会社は、他のグループに対して明らかに不公平である最高精度グループのみに、最終段階(中間)のステージを適用することを自然に選択することができる。 たとえこの会社が最終ラウンドに合格した全員にインタビューする必要があったとしても、テストそのものは、あるグループの資格のある個人が他のグループの資格のある個人よりも容易に合格する特性を持つことができる。 したがって、機会の平等(各グループの資格のある個人は最終段階に到達してインタビューを受ける機会が同じである)が必要であると考える。 次に,この制約を満たした意思決定者に対して,前段階のパフォーマンスに基づいて,各段階のスクリーニングプロセスを通じて,プロモーションの確率を変更することにより,利益の最大化を目標とする。 我々は、最終段階の終わりに、選考プロセスにおける平等性を満たすアルゴリズムと、選考(適格候補を得る面接の割合)を最大化するアルゴリズムと、精度とリコールの線形結合(雇用者1人当たりの応募者数を決定するリコール)を提示する。 また, 解空間が非凸であることを示し, 精度とリコールの線形結合を最大化するために, 精度と (fptas) 近似アルゴリズムを動機付ける例を示す。 最後に,意思決定者が意思決定プロセスでグループメンバシップの使用を許可しないなど,追加の制限を加えた '価格' について議論する。

関連論文リスト

• Centralized Selection with Preferences in the Presence of Biases [25.725937202777267]
  本論文は,候補を複数のグループに分けた設定に焦点をあて,いくつかのグループにおける候補の観測ユーティリティは,真のユーティリティよりも体系的に低い偏りを呈する。 アルゴリズムは、選好に関して準最適群フェアネスを達成するための選択を生成するとともに、分布的仮定の下で真の効用をほぼ最大化する証明と共に提示される。
  論文  参考訳（メタデータ） (2024-09-07T19:47:13Z)
• Boundary Matters: A Bi-Level Active Finetuning Framework [100.45000039215495]
  アクティブファインタニングの概念は、限られた予算内でモデルファインタニングに最も適したサンプルを選択することを目的としている。 従来のアクティブな学習手法は、バッチ選択に固有のバイアスがあるため、この設定で苦労することが多い。 そこで本研究では,アノテーションのサンプルを1ショットで選択するバイレベルアクティブファインタニングフレームワークを提案し,その2段階として,多様性のためのコアサンプル選択と不確実性のための境界サンプル選択を提案する。
  論文  参考訳（メタデータ） (2024-03-15T07:19:15Z)
• Fair Classifiers that Abstain without Harm [24.90899074869189]
  批判的な応用においては、分類器は人間に意思決定を延期することが不可欠である。 本稿では,既存の分類器が特定のサンプルの予測を選択的に禁ずるポストホック法を提案する。 この枠組みは,同程度の禁制率で精度を犠牲にすることなく,公平性の違いの観点から既存手法より優れる。
  論文  参考訳（メタデータ） (2023-10-09T23:07:28Z)
• Fair Sequential Selection Using Supervised Learning Models [11.577534539649374]
  我々は、連続して到着した応募者が限られた数の位置/ジョブを申請する選択問題を考える。 一般の公正概念を満足する事前学習モデルであっても、選択の結果は特定の人口集団に偏っている可能性があることを示す。 本稿では、連続選択問題に適した「平等選択(ES)」という新たなフェアネス概念を導入し、ESフェアネス概念を満たすための後処理アプローチを提案する。
  論文  参考訳（メタデータ） (2021-10-26T19:45:26Z)
• Group Testing with Non-identical Infection Probabilities [59.96266198512243]
  そこで我々は,集合形成法を用いた適応型グループテストアルゴリズムを開発した。 提案アルゴリズムは, エントロピー下界に近い性能を示す。
  論文  参考訳（メタデータ） (2021-08-27T17:53:25Z)
• Bayesian decision-making under misspecified priors with applications to meta-learning [64.38020203019013]
  トンプソンサンプリングやその他のシーケンシャルな意思決定アルゴリズムは、文脈的包帯における探索と探索のトレードオフに取り組むための一般的なアプローチである。 性能は不特定な事前条件で優雅に低下することを示す。
  論文  参考訳（メタデータ） (2021-07-03T23:17:26Z)
• Non-Parametric Stochastic Sequential Assignment With Random Arrival Times [3.871148938060281]
  ジョブがランダムに到着し、ランダムな値を仮定する問題を考える。 本稿では,NPSA(Non-Parametric Sequential Allocation)アルゴリズムを提案する。 NPSAアルゴリズムによって返される期待報酬は、M$が大きくなるにつれて、最適性に収束することを示す。
  論文  参考訳（メタデータ） (2021-06-09T09:41:38Z)
• Navigating to the Best Policy in Markov Decision Processes [68.8204255655161]
  マルコフ決定過程における純粋探索問題について検討する。 エージェントはアクションを逐次選択し、結果のシステム軌道から可能な限り早くベストを目標とする。
  論文  参考訳（メタデータ） (2021-06-05T09:16:28Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)
• Online Batch Decision-Making with High-Dimensional Covariates [20.06690325969748]
  そこで本稿では, テキストタユーザではなく, テキストタバッチと同時に対話するシーケンシャル意思決定のための新しいアルゴリズムのクラスを提案し, 検討する。 textitTeamwork LASSO Banditアルゴリズムは,意思決定プロセス全体において,ステージと利己的なステージを切り替えることで,探索探索ジレンマのバッチバージョンを解決します。
  論文  参考訳（メタデータ） (2020-02-21T17:36:15Z)

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。