論文の概要: Uncertainty-aware predictive modeling for fair data-driven decisions

• arxiv url: http://arxiv.org/abs/2211.02730v1
• Date: Fri, 4 Nov 2022 20:04:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 16:02:47.644449
• Title: Uncertainty-aware predictive modeling for fair data-driven decisions
• Title（参考訳）: 不確実性を考慮した公平なデータ駆動決定のための予測モデリング
• Authors: Patrick Kaiser, Christoph Kern, David R\"ugamer
• Abstract要約: フェアMLシステムは安全なMLシステムであることを示す。 公平な判断については、不確実な分類を持つ個人に対して、安全なフェールオプションを使用することを議論する。
• 参考スコア（独自算出の注目度）: 5.371337604556311
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Both industry and academia have made considerable progress in developing trustworthy and responsible machine learning (ML) systems. While critical concepts like fairness and explainability are often addressed, the safety of systems is typically not sufficiently taken into account. By viewing data-driven decision systems as socio-technical systems, we draw on the uncertainty in ML literature to show how fairML systems can also be safeML systems. We posit that a fair model needs to be an uncertainty-aware model, e.g. by drawing on distributional regression. For fair decisions, we argue that a safe fail option should be used for individuals with uncertain categorization. We introduce semi-structured deep distributional regression as a modeling framework which addresses multiple concerns brought against standard ML models and show its use in a real-world example of algorithmic profiling of job seekers.
• Abstract（参考訳）: 産業と学術の両方が、信頼できる責任ある機械学習(ML)システムの開発に大きく進歩している。 公平さや説明可能性といった重要な概念はよく扱われるが、システムの安全性は一般的に十分に考慮されていない。 データ駆動型意思決定システムを社会技術システムとして見ることにより、機械学習の文献における不確実性に注目し、フェアMLシステムが安全なMLシステムであることを示す。 分布回帰(distribution regression)を描くなどして、公平なモデルは不確実性を認識するモデルである必要があると仮定する。 公平な判断のために、安全なフェールオプションは、未知の分類を持つ個人に使用されるべきだと論じます。 我々は,標準mlモデルに対する複数の懸念に対処するモデリングフレームワークとして,半構造化深分布回帰を導入し,その利用を求職者のアルゴリズム的プロファイリングの実例で示す。

関連論文リスト

• Uncertainty measurement for complex event prediction in safety-critical systems [0.36832029288386137]
  複合イベント処理(CEP)の不確実性は、組込みおよび安全クリティカルシステムにとって重要である。 本稿では,事象の知覚と予測の不確実性を測定する方法を示す。 我々は、研究と研究の分野で非常に有望な成果を提示し、議論する。
  論文  参考訳（メタデータ） (2024-11-02T15:51:37Z)
• Large Language Models Must Be Taught to Know What They Don't Know [97.90008709512921]
  正解と誤解の小さなデータセットを微調整すると、高い一般化と計算オーバーヘッドの少ない不確実性推定が得られることを示す。 また,確実な不確実性推定を可能にする機構についても検討し,多くのモデルを汎用的不確実性推定器として利用することができることを示した。
  論文  参考訳（メタデータ） (2024-06-12T16:41:31Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Decomposing Uncertainty for Large Language Models through Input Clarification Ensembling [69.83976050879318]
  大規模言語モデル(LLM)では、不確実性の原因を特定することが、信頼性、信頼性、解釈可能性を改善するための重要なステップである。 本稿では,LLMのための不確実性分解フレームワークについて述べる。 提案手法は,入力に対する一連の明確化を生成し,それらをLLMに入力し,対応する予測をアンサンブルする。
  論文  参考訳（メタデータ） (2023-11-15T05:58:35Z)
• Dynamic Model Agnostic Reliability Evaluation of Machine-Learning Methods Integrated in Instrumentation & Control Systems [1.8978726202765634]
  データ駆動型ニューラルネットワークベースの機械学習アルゴリズムの信頼性は十分に評価されていない。 National Institute for Standards and Technologyの最近のレポートでは、MLにおける信頼性は採用にとって重要な障壁となっている。 トレーニングデータセットにアウト・オブ・ディストリビューション検出を組み込むことにより、ML予測の相対的信頼性を評価するためのリアルタイムモデル非依存手法を実証する。
  論文  参考訳（メタデータ） (2023-08-08T18:25:42Z)
• A Meta-heuristic Approach to Estimate and Explain Classifier Uncertainty [0.4264192013842096]
  本研究は,人間と機械学習の双方の意思決定に相互に関係する因子の観点から,インスタンスの複雑性を特徴付けるクラス非依存型メタヒューリスティックスを提案する。 提案された測度とフレームワークは、より複雑なインスタンスのモデル開発を改善するとともに、モデルの棄却と説明の新しい手段を提供するという約束を持っている。
  論文  参考訳（メタデータ） (2023-04-20T13:09:28Z)
• Analyzing a Caching Model [7.378507865227209]
  解釈容易性は、現実世界のデプロイメントにおいて、依然として大きな障害である。 現状のキャッシュモデルを分析することで、単純な統計以上の概念を学習したことを示す。
  論文  参考訳（メタデータ） (2021-12-13T19:53:07Z)
• Multi Agent System for Machine Learning Under Uncertainty in Cyber Physical Manufacturing System [78.60415450507706]
  近年の予測機械学習の進歩は、製造における様々なユースケースに応用されている。 ほとんどの研究は、それに関連する不確実性に対処することなく予測精度を最大化することに焦点を当てた。 本稿では,機械学習における不確実性の原因を特定し,不確実性下での機械学習システムの成功基準を確立する。
  論文  参考訳（メタデータ） (2021-07-28T10:28:05Z)
• Approaching Neural Network Uncertainty Realism [53.308409014122816]
  自動運転車などの安全クリティカルなシステムには、定量化または少なくとも上限の不確実性が不可欠です。 マハラノビス距離に基づく統計的テストにより、厳しい品質基準である不確実性リアリズムを評価します。 自動車分野に採用し、プレーンエンコーダデコーダモデルと比較して、不確実性リアリズムを大幅に改善することを示した。
  論文  参考訳（メタデータ） (2021-01-08T11:56:12Z)
• LiFT: A Scalable Framework for Measuring Fairness in ML Applications [18.54302159142362]
  本稿では、大規模なMLシステムの一部として、フェアネスメトリクスのスケーラブルな計算のためのフレームワークであるLinkedIn Fairness Toolkit(LiFT)を紹介する。 フェアネスツールを実際に導入する際の課題と、LinkedInでのデプロイメント中に学んだ教訓について論じる。
  論文  参考訳（メタデータ） (2020-08-14T03:55:31Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。