Fugu-MT 論文翻訳(概要): Algorithmic decision making methods for fair credit scoring

論文の概要: Algorithmic decision making methods for fair credit scoring

arxiv url: http://arxiv.org/abs/2209.07912v3
Date: Thu, 22 Jun 2023 11:55:39 GMT
ステータス: 処理完了
システム内更新日: 2023-06-23 18:00:39.488343
Title: Algorithmic decision making methods for fair credit scoring
Title（参考訳）: 公正信用スコア決定のためのアルゴリズム的意思決定法
Authors: Darie Moldovan
Abstract要約: 本研究は,5つのフェアネス指標を用いて,12種類の主偏差緩和手法の有効性を評価する。我々の研究は、実験的な機械学習と金融業界における実践的応用とのギャップを埋めるのに役立ちます。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The effectiveness of machine learning in evaluating the creditworthiness of loan applicants has been demonstrated for a long time. However, there is concern that the use of automated decision-making processes may result in unequal treatment of groups or individuals, potentially leading to discriminatory outcomes. This paper seeks to address this issue by evaluating the effectiveness of 12 leading bias mitigation methods across 5 different fairness metrics, as well as assessing their accuracy and potential profitability for financial institutions. Through our analysis, we have identified the challenges associated with achieving fairness while maintaining accuracy and profitabiliy, and have highlighted both the most successful and least successful mitigation methods. Ultimately, our research serves to bridge the gap between experimental machine learning and its practical applications in the finance industry.
Abstract（参考訳）: ローン申請者の信用力評価における機械学習の有効性は長年に渡り実証されてきた。しかし、自動意思決定プロセスの使用がグループや個人の不平等な扱いを招き、差別的な結果をもたらす可能性があるという懸念がある。本稿では,5つの異なる公平度指標における12個の主バイアス緩和手法の有効性を評価し,その正確性と金融機関の収益性を評価することにより,この問題に対処しようとする。分析を通じて,正確性と収益性を維持しながら公平性を達成する上での課題を特定し,最も成功した方法と最も成功した方法の両方を強調した。最終的には、実験的な機械学習と金融業界における実践的応用とのギャップを埋めるのに役立ちます。

関連論文リスト

Best Practices for Responsible Machine Learning in Credit Scoring [0.03984353141309896]
本チュートリアルでは、クレジットスコアリングにおいて、責任ある機械学習モデルを開発するためのベストプラクティスを導くために、非体系的な文献レビューを行った。我々は、偏見を緩和し、異なるグループ間で公平な結果を確保するための定義、メトリクス、技術について議論する。これらのベストプラクティスを採用することで、金融機関は倫理的かつ責任ある融資プラクティスを維持しながら、機械学習の力を利用することができる。
論文参考訳（メタデータ） (2024-09-30T17:39:38Z)
Ensuring Equitable Financial Decisions: Leveraging Counterfactual Fairness and Deep Learning for Bias [0.0]
本研究では,データ拡張に伴う対実的公正性に着目した高度なバイアス緩和手法について検討する。この研究は、これらの統合アプローチが金融業界、特にローン承認手続きにおけるジェンダーバイアスを緩和する方法について考察している。
論文参考訳（メタデータ） (2024-08-27T14:28:06Z)
Are we making progress in unlearning? Findings from the first NeurIPS unlearning competition [70.60872754129832]
アンラーニングに関する最初のNeurIPSコンペティションは、新しいアルゴリズムの開発を刺激しようとした。世界中から約1200チームが参加した。トップソリューションを分析し、アンラーニングのベンチマークに関する議論を掘り下げます。
論文参考訳（メタデータ） (2024-06-13T12:58:00Z)
Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文参考訳（メタデータ） (2024-04-29T08:16:30Z)
A Distributionally Robust Optimisation Approach to Fair Credit Scoring [2.8851756275902467]
クレジットスコアリングは、欧州委員会と米国大統領の執行部によって、リスクの高い分類タスクとしてカタログ化されている。この懸念に対処するため、近年の信用スコアリング研究は、公平性向上技術の範囲を検討した。
論文参考訳（メタデータ） (2024-02-02T11:43:59Z)
Online Decision Mediation [72.80902932543474]
意思決定支援アシスタントを学習し、(好奇心)専門家の行動と(不完全)人間の行動の仲介役として機能することを検討する。臨床診断では、完全に自律的な機械行動は倫理的余裕を超えることが多い。
論文参考訳（メタデータ） (2023-10-28T05:59:43Z)
Causal Fairness for Outcome Control [68.12191782657437]
本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
論文参考訳（メタデータ） (2023-06-08T09:31:18Z)
Inclusive FinTech Lending via Contrastive Learning and Domain Adaptation [9.75150920742607]
フィンテックの貸与は、財政的包摂の促進に重要な役割を果たしてきた。ローン審査中にアルゴリズムによる意思決定にバイアスがかかる可能性があるという懸念がある。自己教師付きコントラスト学習とドメイン適応を用いたトランスフォーマーに基づくシーケンシャルローンスクリーニングモデルを提案する。
論文参考訳（メタデータ） (2023-05-10T01:11:35Z)
Fairness in Matching under Uncertainty [78.39459690570531]
アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
論文参考訳（メタデータ） (2023-02-08T00:30:32Z)
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)
How fair can we go in machine learning? Assessing the boundaries of fairness in decision trees [0.12891210250935145]
本稿では,バイアス緩和介入の統計的限界を探索するための最初の方法論を提案する。機械学習において広く受け入れられている決定木分類器に焦点をあてる。本手法は, 分類誤差の少ない精度で, 決定木モデルの最適化が可能であることを実験的に結論付けた。
論文参考訳（メタデータ） (2020-06-22T16:28:26Z)

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。