論文の概要: On the Need and Applicability of Causality for Fair Machine Learning
- arxiv url: http://arxiv.org/abs/2207.04053v1
- Date: Fri, 8 Jul 2022 10:37:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 07:37:44.623084
- Title: On the Need and Applicability of Causality for Fair Machine Learning
- Title（参考訳）: 公平な機械学習のための因果関係の必要性と適用性について
- Authors: R\=uta Binkyt\.e, Sami Zhioua
- Abstract要約: 因果推論は、人間が世界をどう理解し、日々の生活の中で決定を下すかに不可欠である。
非因果予測の社会的影響と因果的主張に依存する法的反差別過程を指摘する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Causal reasoning has an indispensable role in how humans make sense of the
world and come to decisions in everyday life. While $20th$ century science was
reserved from making causal claims as too strong and not achievable, the $21st$
century is marked by the return of causality encouraged by the mathematization
of causal notions and the introduction of the non-deterministic concept of
cause~\cite{illari2011look}. Besides its common use cases in epidemiology,
political, and social sciences, causality turns out to be crucial in evaluating
the fairness of automated decisions, both in a legal and everyday sense. We
provide arguments and examples of why causality is particularly important for
fairness evaluation. In particular, we point out the social impact of
non-causal predictions and the legal anti-discrimination process that relies on
causal claims. We conclude with a discussion about the challenges and
limitations of applying causality in practical scenarios as well as possible
solutions.
- Abstract（参考訳）: 因果推論は、人間が世界を理解し、日々の生活の中で決定を下すのに不可欠である。
20世紀科学は因果関係の主張が強すぎることや達成できないことから遠ざかっていたが、21世紀は因果関係概念の数学化と因果関係の非決定論的概念の導入によって奨励された因果関係の復活が特徴である。
疫学、政治学、社会科学における一般的なユースケースに加えて、因果関係は法的な意味でも日常的にも自動決定の公平性を評価する上で重要であることが判明した。
因果関係が公平性評価に特に重要である理由の議論と例を提供する。
特に,非因果的予測の社会的影響と,因果的主張に依存する法的差別防止過程を指摘する。
結論として,実用シナリオと可能なソリューションにおける因果性適用の課題と限界について論じた。
関連論文リスト
- The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。
その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。
本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
論文 参考訳（メタデータ） (2024-06-27T16:30:50Z) - Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。
統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
論文 参考訳（メタデータ） (2023-06-08T09:23:22Z) - Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。
我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。
本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文 参考訳（メタデータ） (2022-07-23T01:06:34Z) - Causal Discovery for Fairness [3.3861246056563616]
因果的発見アプローチの違いが因果的モデルにどのように影響するか,因果的モデル間の微妙な差異が公平さ/差別的結論にどのように影響するかを示す。
本研究の主な目的は,因果関係を用いて公平に対処する因果発見ステップの重要性を明らかにすることである。
論文 参考訳（メタデータ） (2022-06-14T08:40:40Z) - Promises and Challenges of Causality for Ethical Machine Learning [2.1946447418179664]
我々は「潜在的成果の枠組み」に基づく因果フェアネスの適切な適用条件を策定する。
我々は、因果的公平性文学においてしばしば無視される因果的推論の重要な側面を強調した。
このような介入の概念化は因果的仮定の妥当性を評価する上で重要であると我々は主張する。
論文 参考訳（メタデータ） (2022-01-26T00:04:10Z) - Towards Causal Representation Learning [96.110881654479]
機械学習とグラフィカル因果関係の2つの分野が生まれ、別々に発展した。
現在、他分野の進歩の恩恵を受けるために、クロスポリン化と両方の分野への関心が高まっている。
論文 参考訳（メタデータ） (2021-02-22T15:26:57Z) - Survey on Causal-based Machine Learning Fairness Notions [4.157415305926584]
本稿では,因果関係に基づくフェアネス概念の包括的リストについて検討し,実世界のシナリオにおける適用性について検討する。
因果関係に基づく公平性の概念の大部分は、観測不可能な量という観点で定義されるため、実際にはそれらの量を計算するか、見積もる必要がある。
論文 参考訳（メタデータ） (2020-10-19T14:28:55Z) - Principal Fairness for Human and Algorithmic Decision-Making [1.2691047660244335]
我々は、人間とアルゴリズムによる意思決定のために、主公正と呼ばれる新しい公正の概念を導入する。
既存の統計的公正の定義とは異なり、主公正性は個人が決定に影響を及ぼすことができるという事実をはっきりと説明している。
論文 参考訳（メタデータ） (2020-05-21T00:24:54Z) - On Consequentialism and Fairness [64.35872952140677]
機械学習におけるフェアネスの共通定義について、逐次的批判を行う。
学習とランダム化の問題に関するより広範な議論で締めくくります。
論文 参考訳（メタデータ） (2020-01-02T05:39:48Z)
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。