論文の概要: Bias amplification in experimental social networks is reduced by
resampling
- arxiv url: http://arxiv.org/abs/2208.07261v1
- Date: Mon, 15 Aug 2022 15:14:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-16 15:12:24.454901
- Title: Bias amplification in experimental social networks is reduced by
resampling
- Title(参考訳): 実験ソーシャルネットワークにおけるバイアス増幅は再サンプリングによって減少する
- Authors: Mathew D. Hardy, Bill D. Thompson, P.M. Krafft, Thomas L. Griffiths
- Abstract要約: ソーシャルネットワークを介した情報伝達は、単純な知覚的意思決定タスクにおけるモチベーションバイアスを増幅することを示す。
我々は、バイアス増幅を緩和するために予測されるコンテンツ選択アルゴリズムの簡単な調整を同定する。
- 参考スコア(独自算出の注目度): 7.226144684379189
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Large-scale social networks are thought to contribute to polarization by
amplifying people's biases. However, the complexity of these technologies makes
it difficult to identify the mechanisms responsible and to evaluate mitigation
strategies. Here we show under controlled laboratory conditions that
information transmission through social networks amplifies motivational biases
on a simple perceptual decision-making task. Participants in a large behavioral
experiment showed increased rates of biased decision-making when part of a
social network relative to asocial participants, across 40 independently
evolving populations. Drawing on techniques from machine learning and Bayesian
statistics, we identify a simple adjustment to content-selection algorithms
that is predicted to mitigate bias amplification. This algorithm generates a
sample of perspectives from within an individual's network that is more
representative of the population as a whole. In a second large experiment, this
strategy reduced bias amplification while maintaining the benefits of
information sharing.
- Abstract(参考訳): 大規模ソーシャルネットワークは、人々のバイアスを増幅することで分極に寄与すると考えられている。
しかし、これらの技術の複雑さは、責任あるメカニズムを特定し、緩和戦略を評価するのを困難にしている。
ここでは,ソーシャルネットワークを通じた情報伝達が,単純な知覚的意思決定タスクにおいて動機づけバイアスを増幅する,制御された実験条件を示す。
大規模行動実験の参加者は、アソシエーション参加者に対するソーシャルネットワークの一部が独立に進化する人口40人に対して、偏りのある意思決定の割合が増加した。
機械学習とベイズ統計から得られた手法をもとに, バイアス増幅を緩和するために予測されるコンテンツ選択アルゴリズムに対する簡単な調整を同定する。
このアルゴリズムは、人口全体のより代表的な個人のネットワーク内から視点のサンプルを生成する。
第2の大規模な実験では、情報共有の利点を維持しながらバイアス増幅を減らした。
関連論文リスト
- Sample Complexity of Opinion Formation on Networks [38.94122539408048]
厚生労働省は、ソーシャル・ネットワークが連携する地域社会に新たなワクチンに対する認識を広げることを目指している。
情報を最小限のリソースで分散し、実際の事実に沿ったコミュニティ全体の理解を確保するにはどうすればよいのか?
論文 参考訳(メタデータ) (2023-11-04T08:28:33Z) - Population-Based Evolutionary Gaming for Unsupervised Person
Re-identification [26.279581599246224]
教師なしの人物の再識別は、個々のニューラルネットワークの自己改善を通じて大きな成功を収めた。
我々は,多種多様なニューラルネットワークの集団が選択,再現,突然変異,集団相互学習を通じて同時に訓練される,人口ベースの進化型ゲーム(PEG)フレームワークを開発する。
PEGは、個人の再識別のための新しい最先端の精度を生み出し、教師なし学習のための集団ベースのネットワーク協調トレーニングの大きな可能性を示している。
論文 参考訳(メタデータ) (2023-06-08T14:33:41Z) - Learning from Heterogeneous Data Based on Social Interactions over
Graphs [58.34060409467834]
本研究では,個別のエージェントが異なる次元のストリーミング特徴を観察しながら分類問題の解決を目指す分散アーキテクチャを提案する。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
私たちはそれを示します。
戦略により、エージェントはこの高度に異質な環境下で一貫して学習することができる。
論文 参考訳(メタデータ) (2021-12-17T12:47:18Z) - 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) - Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。
特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。
次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
論文 参考訳(メタデータ) (2021-08-06T05:20:46Z) - Improving Fairness of AI Systems with Lossless De-biasing [15.039284892391565]
AIシステムのバイアスを緩和して全体的な公正性を高めることが重要な課題となっている。
我々は,不利益グループにおけるデータの不足を対象とする情報損失のない脱バイアス手法を提案する。
論文 参考訳(メタデータ) (2021-05-10T17:38:38Z) - A game-theoretic analysis of networked system control for common-pool
resource management using multi-agent reinforcement learning [54.55119659523629]
マルチエージェント強化学習は近年,ネットワーク型システム制御へのアプローチとして大きな可能性を秘めている。
共通プールの資源は耕作可能な土地、淡水、湿地、野生生物、魚類資源、森林、大気である。
論文 参考訳(メタデータ) (2020-10-15T14:12:26Z) - Vulnerability Under Adversarial Machine Learning: Bias or Variance? [77.30759061082085]
本研究では,機械学習が訓練された深層ニューラルネットワークのバイアスと分散に与える影響について検討する。
我々の分析は、ディープニューラルネットワークが対向的摂動下で性能が劣っている理由に光を当てている。
本稿では,計算処理の複雑さをよく知られた機械学習手法よりも低く抑えた,新しい逆機械学習アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-08-01T00:58:54Z) - Learning from Failure: Training Debiased Classifier from Biased
Classifier [76.52804102765931]
ニューラルネットワークは、所望の知識よりも学習が簡単である場合にのみ、素早い相関に依存することを学習していることを示す。
本稿では,一対のニューラルネットワークを同時にトレーニングすることで,障害に基づくデバイアス化手法を提案する。
本手法は,合成データセットと実世界のデータセットの両方において,各種バイアスに対するネットワークのトレーニングを大幅に改善する。
論文 参考訳(メタデータ) (2020-07-06T07:20:29Z)
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。