論文の概要: How fair were COVID-19 restriction decisions? A data-driven
investigation of England using the dominance-based rough sets approach
- arxiv url: http://arxiv.org/abs/2211.00056v1
- Date: Fri, 21 Oct 2022 13:49:20 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 15:05:03.723700
- Title: How fair were COVID-19 restriction decisions? A data-driven
investigation of England using the dominance-based rough sets approach
- Title(参考訳): 新型コロナウイルス(covid-19)の規制決定はどの程度公平だったか?
支配に基づく粗い集合を用いたイギリスにおけるデータ駆動型調査
- Authors: Edward Abel and Sajid Siraj
- Abstract要約: 我々は、英国政府の縛り付けられた規制割り当てシステムに関連する新型コロナウイルスデータのパターンを特定します。
異なる地理的領域から抽出されたルールの違いは、これらの領域における階層の割り当ての不整合を示唆している。
- 参考スコア(独自算出の注目度): 3.756550107432323
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: During the COVID-19 pandemic, several countries have taken the approach of
tiered restrictions which has remained a point of debate due to a lack of
transparency. Using the dominance-based rough set approach, we identify
patterns in the COVID-19 data pertaining to the UK government's tiered
restrictions allocation system. These insights from the analysis are translated
into "if-then" type rules, which can easily be interpreted by policy makers.
The differences in the rules extracted from different geographical areas
suggest inconsistencies in the allocations of tiers in these areas. We found
that the differences delineated an overall north south divide in England,
however, this divide was driven mostly by London. Based on our analysis, we
demonstrate the usefulness of the dominance-based rough sets approach for
investigating the fairness and explainabilty of decision making regarding
COVID-19 restrictions. The proposed approach and analysis could provide a more
transparent approach to localised public health restrictions, which can help
ensure greater conformity to the public safety rules.
- Abstract(参考訳): 新型コロナウイルス(COVID-19)パンデミックの間、いくつかの国は、透明性の欠如により議論の的となっている縛り付き制限のアプローチを取ってきた。
支配に基づくラフセット手法を用いて、英国政府の規制緩和システムに関連する新型コロナウイルスデータのパターンを特定する。
これらの分析からの洞察は"if-then"タイプのルールに翻訳され、政策立案者によって容易に解釈できる。
異なる地理的領域から抽出された規則の違いは、これらの領域における層配置の不整合を示唆する。
この違いは、イングランドの全体的な北の分断を悪化させたが、この分断は主にロンドンによって推進された。
本研究は,covid-19の規制に関する意思決定の公平性と説明可能性を検討する上で,優越性に基づくラフセット手法の有用性を実証する。
提案されたアプローチと分析は、ローカライズされた公衆衛生規制に対してより透過的なアプローチを提供し、公共の安全規則への適合性を高めるのに役立つ。
関連論文リスト
- Mitigating Boundary Ambiguity and Inherent Bias for Text Classification in the Era of Large Language Models [24.085614720512744]
本研究では,大規模言語モデル (LLM) がテキスト分類における選択肢の数や配置の変化に対して脆弱であることを示す。
重要なボトルネックは、曖昧な決定境界と、特定のトークンや位置に対する固有のバイアスから生じます。
我々のアプローチは、ペア比較が境界のあいまいさと固有のバイアスを効果的に緩和できるという経験的観察に基づいている。
論文 参考訳(メタデータ) (2024-06-11T06:53:19Z) - Information Capacity Regret Bounds for Bandits with Mediator Feedback [55.269551124587224]
我々は,政策セットの複雑さに対する情報理論尺度として,政策セットの容量を導入する。
古典的なEXP4アルゴリズムを採用することで、ポリシーセットの容量に応じて、新たな後悔の限界を提供する。
ポリシーセットファミリの選択については、キャパシティと同じようなスケールで、ほぼ整合性の低い境界を証明します。
論文 参考訳(メタデータ) (2024-02-15T19:18:47Z) - Compatibility of Fairness Metrics with EU Non-Discrimination Laws:
Demographic Parity & Conditional Demographic Disparity [3.5607241839298878]
実証的な証拠は、機械学習(ML)技術によって駆動されるアルゴリズムによる決定が、法的に保護されたグループに対する差別を脅かしたり、新たな不公平な情報源を創り出すことを示唆している。
この研究は、公正度メトリックと公正度制約による法的公正性を保証するためのポイントを評価することを目的としています。
我々の実験と分析は、手元にあるケースと法的正当性に応じて、AIによる意思決定が法的な観点から公平である可能性を示唆している。
論文 参考訳(メタデータ) (2023-06-14T09:38:05Z) - Learnable Behavior Control: Breaking Atari Human World Records via
Sample-Efficient Behavior Selection [56.87650511573298]
本稿では,LBC(Learable Behavioral Control)と呼ばれるフレームワークを提案する。
我々のエージェントは10077.52%の平均正規化スコアを達成し、1Bのトレーニングフレーム内で24人の世界記録を突破した。
論文 参考訳(メタデータ) (2023-05-09T08:00:23Z) - Estimating Geographic Spillover Effects of COVID-19 Policies From
Large-Scale Mobility Networks [54.90772000796717]
郡レベルの政策は地域間の柔軟性を提供するが、地理的な流出がある場合には効果が低下する可能性がある。
我々は、数十億のタイムスタンプを持つ移動ネットワークを用いて、流出量を推定する。
郡レベルの制限は、モビリティを減らすための州全体の制限と同等に有効である。
論文 参考訳(メタデータ) (2022-12-12T20:16:54Z) - Local and Regional Counterfactual Rules: Summarized and Robust Recourses [5.524804393257921]
本稿では,各観測の局所的反実律を緩やかに規定する確率的枠組みを提案する。
これらの規則は、様々な反事実的説明の要約として機能し、堅牢な論説をもたらす。
当社のメソッドはPythonパッケージとして利用可能です。
論文 参考訳(メタデータ) (2022-09-29T06:08:54Z) - Fairness and Explainability in Automatic Decision-Making Systems. A
challenge for computer science and law [3.656085108168043]
本稿では,自動アルゴリズム決定における公平性問題を分析するための学際的構造に貢献する。
第1節は、教師付き学習における技術的な選択が、考慮すべき社会的意味を持っていることを示している。
第2節では、意図しない集団差別の問題に対する文脈的アプローチを提案する。
論文 参考訳(メタデータ) (2022-05-14T01:08:47Z) - Differential Privacy and Fairness in Decisions and Learning Tasks: A
Survey [50.90773979394264]
プライバシーと公正が目標と一致したり、対照的になったりした条件をレビューする。
意思決定問題や学習タスクにおいて、DPが偏見や不公平を悪化させる理由と理由を分析します。
論文 参考訳(メタデータ) (2022-02-16T16:50:23Z) - Off-policy Evaluation in Infinite-Horizon Reinforcement Learning with
Latent Confounders [62.54431888432302]
無限水平エルゴードマルコフ決定過程におけるOPE問題について考察する。
我々は、状態と行動の潜在変数モデルのみを考慮すれば、政策値が政治外のデータから特定できることを示す。
論文 参考訳(メタデータ) (2020-07-27T22:19:01Z) - When and How to Lift the Lockdown? Global COVID-19 Scenario Analysis and
Policy Assessment using Compartmental Gaussian Processes [111.69190108272133]
新型コロナウイルス(COVID-19)の世界的な感染拡大を受け、多くの国が前例のないロックダウン措置を講じている。
さまざまなロックダウンポリシーシナリオの下で、新型コロナウイルスの死亡率を予測するデータ駆動モデルが不可欠だ。
本稿では,グローバルな状況下での新型コロナウイルスロックダウンポリシーの効果を予測するためのベイズモデルを開発する。
論文 参考訳(メタデータ) (2020-05-13T18:21:50Z)
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。