Fugu-MT 論文翻訳(概要): Towards Equalised Odds as Fairness Metric in Academic Performance Prediction

論文の概要: Towards Equalised Odds as Fairness Metric in Academic Performance Prediction

arxiv url: http://arxiv.org/abs/2209.14670v1
Date: Thu, 29 Sep 2022 10:12:41 GMT
ステータス: 処理完了
システム内更新日: 2022-09-30 16:45:03.277541
Title: Towards Equalised Odds as Fairness Metric in Academic Performance Prediction
Title（参考訳）: アカデミックパフォーマンス予測における公平性指標としての等化オッズ
Authors: Jannik Dunkelau, Manh Khoi Duong
Abstract要約: 学術的性能予測(APP)システムについてより詳しく検討し、どの公平性の概念がこの課題に最も適しているかを排除しようと試みる。以上の結果から,APPの世界観と人口の長期的改善の可能性が示唆された。
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 literature for fairness-aware machine learning knows a plethora of different fairness notions. It is however wellknown, that it is impossible to satisfy all of them, as certain notions contradict each other. In this paper, we take a closer look at academic performance prediction (APP) systems and try to distil which fairness notions suit this task most. For this, we scan recent literature proposing guidelines as to which fairness notion to use and apply these guidelines onto APP. Our findings suggest equalised odds as most suitable notion for APP, based on APP's WYSIWYG worldview as well as potential long-term improvements for the population.
Abstract（参考訳）: フェアネスを意識した機械学習の文献は、さまざまなフェアネス概念を知っている。しかし、一部の概念が互いに矛盾しているため、これらすべてを満たすことは不可能である。本稿では,学業成績予測システム(APP)についてより詳しく検討し,どの公平性概念がこの課題に最も適しているかを考察する。そこで,本論文では,どの公正概念を使うべきかを考察し,これらのガイドラインをAPPに適用する。以上の結果から,APPのWYSIWYG世界観と,人口の長期的改善の可能性が示唆された。

関連論文リスト

Fairness Evaluation with Item Response Theory [10.871079276188649]
本稿では機械学習(ML)モデルにおける公平性を評価するための新しいFair-IRTフレームワークを提案する。項目特性曲線(ICC)の詳細な説明は、特定の個人に対して提供される。公平性評価ツールとしてのこのフレームワークの有効性を実証する実験を行った。
論文参考訳（メタデータ） (2024-10-20T22:25:20Z)
Editable Fairness: Fine-Grained Bias Mitigation in Language Models [52.66450426729818]
個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
論文参考訳（メタデータ） (2024-08-07T17:14:58Z)
A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
論文参考訳（メタデータ） (2024-07-16T18:43:43Z)
Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
論文参考訳（メタデータ） (2024-02-07T20:53:53Z)
Goodhart's Law Applies to NLP's Explanation Benchmarks [57.26445915212884]
ERASER(Comprehensiveness and sufficiency)メトリクスとEVAL-X(EVAL-X)メトリクスの2つのセットを批判的に検討する。実験結果の予測や説明を変えることなく,モデル全体の包括性と充足率を劇的に向上させることができることを示す。我々の結果は、現在のメトリクスが説明可能性の研究をガイドする能力に疑問を呈し、これらのメトリクスが正確に捉えるものを再評価する必要性を強調します。
論文参考訳（メタデータ） (2023-08-28T03:03:03Z)
Longitudinal Fairness with Censorship [1.5688552250473473]
我々は、適用可能な公正度対策を考案し、デバイアスアルゴリズムを提案し、検閲なしで公正度を橋渡しするために必要な理論的構造を提供する。検閲された4つのデータセットに対する実験により、我々のアプローチの有効性が確認された。
論文参考訳（メタデータ） (2022-03-30T03:08:40Z)
Off-Policy Imitation Learning from Observations [78.30794935265425]
観察からの学習(lfo)は、多くのアプリケーションが利用できる実用的な強化学習シナリオである。オフポリシ最適化を原則的に実現するサンプル効率の高いLfOアプローチを提案する。我々のアプローチは、サンプル効率と性能の両面で最先端のロコモーションに匹敵する。
論文参考訳（メタデータ） (2021-02-25T21:33:47Z)
Forecasting: theory and practice [65.71277206849244]
本稿は、理論と予測の実践について、非体系的なレビューを提供する。我々は、幅広い理論的、最先端のモデル、方法、原則、アプローチの概要を提供する。そして、そのような理論概念が様々な実生活の文脈でどのように適用されるかを示す。
論文参考訳（メタデータ） (2020-12-04T16:56:44Z)
"And the Winner Is...": Dynamic Lotteries for Multi-group Fairness-Aware Recommendation [37.35485045640196]
我々は、以前の文献は単純で一様であり、フェアネスの仮定の単次元の概念に基づいていたと論じる。私たちは、多元的定義と交差する保護されたグループ間の正確性と公平性の間のトレードオフに参入する設計上の決定を明確に表現します。公正な関心事を選択するための宝くじに基づくメカニズムを定式化し、その性能を2つの推奨領域で実証する。
論文参考訳（メタデータ） (2020-09-05T20:15:14Z)
Machine learning fairness notions: Bridging the gap with real-world applications [4.157415305926584]
フェアネスは、機械学習予測システムが特定の個人やサブ人口全体に対して差別しないことを保証する重要な要件として現れた。本稿では,多くの事例とシナリオを通じて,公平性の概念間の微妙な関係について述べる。
論文参考訳（メタデータ） (2020-06-30T13:01:06Z)
Achieving Fairness via Post-Processing in Web-Scale Recommender Systems [6.5191290612443105]
フェアネスの定義を推薦システム、すなわち機会の等式と等化確率に拡張する。そこで我々は,位置バイアスの存在下でのランク付けにおける機会の平等と確率の等化を達成するためのスケーラブルな手法を提案する。
論文参考訳（メタデータ） (2020-06-19T20:12:13Z)

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。