論文の概要: Bias amplification in experimental social networks is reduced by resampling

• arxiv url: http://arxiv.org/abs/2208.07261v2
• Date: Wed, 5 Oct 2022 19:39:11 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-19 10:32:41.889502
• 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

• Distinguishing mechanisms of social contagion from local network view [0.02499907423888048]
  複数の採用ルールは、同じ社会的感染プロセスでも共存することがある。 我々のゴールは、既存の採用メカニズムが顕微鏡的視点から区別できるかどうかを理解することである。 本研究は、自我中心レベルでの伝播過程の観察について、新しい視点を提供する。
  論文  参考訳（メタデータ） (2024-06-26T17:49:24Z)
• Sample Selection Bias in Machine Learning for Healthcare [17.549969100454803]
  サンプル選択バイアス(英: sample selection bias, SSB)とは、研究対象の人口が減少し、偏りがあり潜在的に有害な決定につながることを指す。 SSBは文献でよく知られているが、医療のための機械学習についてはほとんど研究されていない。 偏り補正ではなく,対象集団の同定に基づいて,SSBに対処するための新たな研究方向を提案する。
  論文  参考訳（メタデータ） (2024-05-13T15:30:35Z)
• Decentralized Learning Strategies for Estimation Error Minimization with Graph Neural Networks [94.2860766709971]
  統計的に同一性を持つ無線ネットワークにおける自己回帰的マルコフ過程のサンプリングとリモート推定の課題に対処する。 我々のゴールは、分散化されたスケーラブルサンプリングおよび送信ポリシーを用いて、時間平均推定誤差と/または情報の年齢を最小化することである。
  論文  参考訳（メタデータ） (2024-04-04T06:24:11Z)
• Sample Complexity of Opinion Formation on Networks with Linear Regression Models [36.75032460874647]
  ネットワークにおける意見収束のサンプル複雑性について検討する。 我々のフレームワークは、認識された意見形成ゲームに基づいて構築されている。 人工ネットワークと実世界のネットワークの実証結果は、我々の理論的な発見を強く支えている。
  論文  参考訳（メタデータ） (2023-11-04T08:28:33Z)
• A Two-Part Machine Learning Approach to Characterizing Network Interference in A/B Testing [4.000213034401085]
  本稿では,「因果ネットワークモチーフ」を導入し,透過的な機械学習モデルを用いてネットワーク干渉パターンを特徴付ける。 私たちのアプローチは、A/Bテスト実践者のネットワーク干渉に対処するための、包括的で自動化されたソリューションを提供します。
  論文  参考訳（メタデータ） (2023-08-18T19:37:55Z)
• 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)
• 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。