論文の概要: Towards Algorithmic Fairness in Space-Time: Filling in Black Holes
- arxiv url: http://arxiv.org/abs/2211.04568v1
- Date: Tue, 8 Nov 2022 21:36:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-10 18:07:53.997837
- Title: Towards Algorithmic Fairness in Space-Time: Filling in Black Holes
- Title（参考訳）: 時空のアルゴリズムフェアネスに向けて:ブラックホールを埋める
- Authors: Cheryl Flynn and Aritra Guha and Subhabrata Majumdar and Divesh
Srivastava and Zhengyi Zhou
- Abstract要約: 地理空間的・時間的バイアスの定量化と対処におけるユニークな課題を強調した。
これらの課題を克服するために開発または適応する必要があるML戦略のロードマップを構想する。
- 参考スコア（独自算出の注目度）: 15.207186850253388
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: New technologies and the availability of geospatial data have drawn attention
to spatio-temporal biases present in society. For example: the COVID-19
pandemic highlighted disparities in the availability of broadband service and
its role in the digital divide; the environmental justice movement in the
United States has raised awareness to health implications for minority
populations stemming from historical redlining practices; and studies have
found varying quality and coverage in the collection and sharing of open-source
geospatial data. Despite the extensive literature on machine learning (ML)
fairness, few algorithmic strategies have been proposed to mitigate such
biases. In this paper we highlight the unique challenges for quantifying and
addressing spatio-temporal biases, through the lens of use cases presented in
the scientific literature and media. We envision a roadmap of ML strategies
that need to be developed or adapted to quantify and overcome these challenges
-- including transfer learning, active learning, and reinforcement learning
techniques. Further, we discuss the potential role of ML in providing guidance
to policy makers on issues related to spatial fairness.
- Abstract（参考訳）: 新しい技術と地理空間データの利用は、社会に存在する時空間バイアスに注意を向けている。
例えば、新型コロナウイルス(COVID-19)パンデミックはブロードバンドサービスの可用性とデジタル分割におけるその役割の相違を強調し、米国の環境正義運動は、歴史的リライニングの慣行から生じる少数民族の健康への影響を意識し、オープンソースの地理空間データの収集と共有において様々な品質とカバレッジを見出した。
機械学習(ML)の公平性に関する広範な文献にもかかわらず、そのようなバイアスを軽減するアルゴリズム戦略はほとんど提案されていない。
本稿では,時空間バイアスを定量化し,対処するためのユニークな課題を,科学文献やメディアに提示するユースケースのレンズを通して紹介する。
私たちは、トランスファーラーニング、アクティブラーニング、強化学習技術など、これらの課題を定量化、克服するために開発または適応する必要があるML戦略のロードマップを構想します。
さらに,政策立案者に対して,空間的公正に関する問題に関するガイダンスを提供する上で,MLが果たす役割についても論じる。
関連論文リスト
- Towards Few-Shot Learning in the Open World: A Review and Beyond [52.41344813375177]
少ないショット学習は、人間の知性を模倣し、大きな一般化と伝達性を実現することを目的としている。
本稿では,FSLをオープンワールド環境に適用するための最近の進歩について概説する。
既存の手法は,3つの異なるタイプのオープンワールド・マイクロショット・ラーニングに分類する。
論文 参考訳（メタデータ） (2024-08-19T06:23:21Z) - Domain Generalization through Meta-Learning: A Survey [6.524870790082051]
ディープニューラルネットワーク(DNN)は人工知能に革命をもたらしたが、アウト・オブ・ディストリビューション(OOD)データに直面すると、しばしばパフォーマンスが低下する。
本調査はメタラーニングの領域を掘り下げ,ドメインの一般化への貢献に焦点をあてたものである。
論文 参考訳（メタデータ） (2024-04-03T14:55:17Z) - A Survey on Applications of Reinforcement Learning in Spatial Resource
Allocation [5.821318691099762]
空間資源配分の課題は、交通、産業、日常生活など様々な領域に広がっている。
従来のアルゴリズムは、最適な効率とリアルタイムの能力を達成するのに苦戦している。
近年,空間資源配分問題に対処する強化学習を用いた新しい手法が急増している。
論文 参考訳（メタデータ） (2024-03-06T12:05:56Z) - The Efficiency Spectrum of Large Language Models: An Algorithmic Survey [54.19942426544731]
LLM(Large Language Models)の急速な成長は、様々なドメインを変換する原動力となっている。
本稿では,LLMのエンドツーエンドのアルゴリズム開発に不可欠な多面的効率性について検討する。
論文 参考訳（メタデータ） (2023-12-01T16:00:25Z) - Combatting Human Trafficking in the Cyberspace: A Natural Language
Processing-Based Methodology to Analyze the Language in Online Advertisements [55.2480439325792]
このプロジェクトは、高度自然言語処理(NLP)技術により、オンラインC2Cマーケットプレースにおける人身売買の急激な問題に取り組む。
我々は、最小限の監督で擬似ラベル付きデータセットを生成する新しい手法を導入し、最先端のNLPモデルをトレーニングするための豊富なリソースとして機能する。
重要な貢献は、Integrated Gradientsを使った解釈可能性フレームワークの実装であり、法執行にとって重要な説明可能な洞察を提供する。
論文 参考訳（メタデータ） (2023-11-22T02:45:01Z) - A Recent Survey of Heterogeneous Transfer Learning [15.830786437956144]
異種移動学習は 様々なタスクにおいて 重要な戦略となっている。
データベースとモデルベースの両方のアプローチを網羅した60以上のHTLメソッドの広範なレビューを提供する。
自然言語処理,コンピュータビジョン,マルチモーダル学習,バイオメディシンの応用について検討する。
論文 参考訳（メタデータ） (2023-10-12T16:19:58Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Nonstationary data stream classification with online active learning and
siamese neural networks [11.501721946030779]
予測モデルをオンザフライでトレーニングするオンライン学習方法に対する新たなニーズ。
しかし、一連のオープンな課題は、実際にデプロイを妨げている。
本稿では,オンラインアクティブラーニング,シアムネットワーク,マルチキューメモリを組み合わせることで,これらの課題に対処するActiSiameseアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-10-03T17:16:03Z) - Use and Misuse of Machine Learning in Anthropology [0.9786690381850356]
生物学的・文化的な証拠に基づいて人類の進化を理解することを目指す古人類学の分野に焦点をあてる。
本研究の目的は,MLが古人類学に応用されている方法について,簡単な紹介を行うことである。
人類学文献の集積部において,ML手法の正しいプロトコルの一連の誤り,誤り,違反について論じる。
論文 参考訳（メタデータ） (2022-09-06T20:32:24Z) - Explore, Discover and Learn: Unsupervised Discovery of State-Covering
Skills [155.11646755470582]
情報理論的スキル発見の代替手法として,'Explore, Discover and Learn'(EDL)がある。
本稿では,EDLがカバレッジ問題を克服し,学習スキルの初期状態への依存を減らし,ユーザが学習すべき行動について事前定義できるようにするなど,大きなメリットがあることを示す。
論文 参考訳（メタデータ） (2020-02-10T10:49:53Z)
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。