論文の概要: Fairness in Selection Problems with Strategic Candidates
- arxiv url: http://arxiv.org/abs/2205.12204v1
- Date: Tue, 24 May 2022 17:03:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-19 17:11:51.736521
- Title: Fairness in Selection Problems with Strategic Candidates
- Title（参考訳）: 戦略的候補選択問題における公平性
- Authors: Vitalii Emelianov, Nicolas Gast, Patrick Loiseau
- Abstract要約: 選択問題における戦略的側面が公平性に与える影響について検討する。
合理的な候補者の人口は、彼らの品質を高めるために努力レベルを選択することで競います。
我々は、異なるパラメータのレジームにおけるこのゲームの(一意)平衡を特徴づける。
- 参考スコア（独自算出の注目度）: 9.4148805532663
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: To better understand discriminations and the effect of affirmative actions in
selection problems (e.g., college admission or hiring), a recent line of
research proposed a model based on differential variance. This model assumes
that the decision-maker has a noisy estimate of each candidate's quality and
puts forward the difference in the noise variances between different
demographic groups as a key factor to explain discrimination. The literature on
differential variance, however, does not consider the strategic behavior of
candidates who can react to the selection procedure to improve their outcome,
which is well-known to happen in many domains.
In this paper, we study how the strategic aspect affects fairness in
selection problems. We propose to model selection problems with strategic
candidates as a contest game: A population of rational candidates compete by
choosing an effort level to increase their quality. They incur a cost-of-effort
but get a (random) quality whose expectation equals the chosen effort. A
Bayesian decision-maker observes a noisy estimate of the quality of each
candidate (with differential variance) and selects the fraction $\alpha$ of
best candidates based on their posterior expected quality; each selected
candidate receives a reward $S$. We characterize the (unique) equilibrium of
this game in the different parameters' regimes, both when the decision-maker is
unconstrained and when they are constrained to respect the fairness notion of
demographic parity. Our results reveal important impacts of the strategic
behavior on the discrimination observed at equilibrium and allow us to
understand the effect of imposing demographic parity in this context. In
particular, we find that, in many cases, the results contrast with the
non-strategic setting.
- Abstract（参考訳）: 選択問題(例えば、大学入学や採用)における差別や肯定的行動の効果をよりよく理解するために、最近の研究は微分分散に基づくモデルを提案した。
このモデルは、意思決定者が各候補者の質について騒がしい推定値を持ち、異なる集団間のノイズのばらつきの違いが差別を説明する鍵となると仮定する。
しかし、微分分散に関する文献では、選択手続きに反応して結果を改善することができる候補者の戦略的行動は考慮されていない。
本稿では,選択問題における戦略的側面が公平性に与える影響について考察する。
競争ゲームとして戦略候補の選択問題をモデル化することを提案する: 合理的候補の集団は、その質を高めるために努力レベルを選択することで競争する。
コストはかかるが、期待値が選択した努力と等しい(ランダムな)品質を得る。
ベイズの決定者は、各候補の品質(差分差分)のノイズの多い見積りを観察し、その後続の期待品質に基づいてベスト候補の分数$\alpha$を選択し、それぞれの候補が報酬$S$を受け取る。
我々は、このゲームの(不自然な)均衡を、意思決定者が拘束されていない場合と、人口格差の公平性の概念を尊重するために制約された場合の両方において、異なるパラメータのレジームで特徴づける。
以上の結果から, 戦略的行動が均衡度で観測された差別に与える影響を明らかにするとともに, この文脈における人口格差の影響を理解することができる。
特に、多くの場合、結果は非ストラテジックな設定とは対照的である。
関連論文リスト
- (Un)certainty of (Un)fairness: Preference-Based Selection of Certainly Fair Decision-Makers [0.0]
公正度指標は、さまざまな領域にわたる意思決定プロセスにおける差別と偏見を評価するために使用される。
我々は差別評価を強化するために格差の不確実性を定量化する。
我々は、意思決定者よりも好みを定義し、最適な意思決定者を選択するためにブルートフォースを利用する。
論文 参考訳（メタデータ） (2024-09-19T11:44:03Z) - 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) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳（メタデータ） (2023-02-06T16:55:37Z) - On Fair Selection in the Presence of Implicit and Differential Variance [22.897402186120434]
本研究では, 意思決定者が各候補の品質のノイズの多い推定値を受け取り, その差が候補群に依存するモデルについて検討する。
どちらの基準決定要因も、反対方向にも差別をもたらすことを示す。
論文 参考訳（メタデータ） (2021-12-10T16:04:13Z) - Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。
我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文 参考訳（メタデータ） (2021-10-21T18:28:57Z) - The Price of Diversity [3.136861161060885]
性別、人種、民族に関する体系的な偏見は、しばしば無意識であり、個人間の選択を含むデータセットで一般的である。
最適反転結果ラベルと学習分類モデルに基づく新しい最適化手法を提案する。
本研究は, 仮釈放, 入場許可, 貸与決定からなる実世界の3つのデータセットのケーススタディである。
論文 参考訳（メタデータ） (2021-07-03T02:23:27Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文 参考訳（メタデータ） (2021-02-13T19:25:52Z) - Learning Strategies in Decentralized Matching Markets under Uncertain
Preferences [91.3755431537592]
エージェントの選好が不明な場合,共有資源の不足の設定における意思決定の問題について検討する。
我々のアプローチは、再生されたカーネルヒルベルト空間における好みの表現に基づいている。
エージェントの期待した利益を最大化する最適な戦略を導出する。
論文 参考訳（メタデータ） (2020-10-29T03:08:22Z) - MS-Ranker: Accumulating Evidence from Potentially Correct Candidates for
Answer Selection [59.95429407899612]
そこで我々は,MS-Ranker という,新しい強化学習に基づくマルチステップランキングモデルを提案する。
我々は、候補の潜在的な正しさを明示的に考慮し、ゲーティング機構で証拠を更新する。
我々のモデルは、外部リソースに依存しない既存の手法を著しく上回ります。
論文 参考訳（メタデータ） (2020-10-10T10:36:58Z) - Intersectional Affirmative Action Policies for Top-k Candidates
Selection [3.4961413413444817]
本研究では,トップk候補を応募者のプールから選抜する問題について検討する。
我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。
そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-07-29T12:27:18Z) - On Fair Selection in the Presence of Implicit Variance [17.517529275692322]
我々は、暗黙のバイアスがなくても、異なるグループからの候補者の質の推定は、別の基本的な方法、すなわち、その分散によって異なるかもしれないと論じる。
本稿では,グループ非依存正規分布から抽出される真の潜伏品質を有する簡易モデルを提案する。
人口パーティメカニズムが常に選択ユーティリティを増大させる一方で、任意の$gamma$-ruleが弱くなることを示す。
論文 参考訳（メタデータ） (2020-06-24T13:08:31Z)
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。