論文の概要: Social Diversity Reduces the Complexity and Cost of Fostering Fairness
- arxiv url: http://arxiv.org/abs/2211.10517v1
- Date: Fri, 18 Nov 2022 21:58:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-22 22:46:07.351277
- Title: Social Diversity Reduces the Complexity and Cost of Fostering Fairness
- Title（参考訳）: 社会的多様性は公正を育む複雑さとコストを減少させる
- Authors: Theodor Cimpeanu, Alessandro Di Stefano, Cedric Perret and The Anh Han
- Abstract要約: 不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
- 参考スコア（独自算出の注目度）: 63.70639083665108
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Institutions and investors are constantly faced with the challenge of
appropriately distributing endowments. No budget is limitless and optimising
overall spending without sacrificing positive outcomes has been approached and
resolved using several heuristics. To date, prior works have failed to consider
how to encourage fairness in a population where social diversity is ubiquitous,
and in which investors can only partially observe the population. Herein, by
incorporating social diversity in the Ultimatum game through heterogeneous
graphs, we investigate the effects of several interference mechanisms which
assume incomplete information and flexible standards of fairness. We quantify
the role of diversity and show how it reduces the need for information
gathering, allowing us to relax a strict, costly interference process.
Furthermore, we find that the influence of certain individuals, expressed by
different network centrality measures, can be exploited to further reduce
spending if minimal fairness requirements are lowered. Our results indicate
that diversity changes and opens up novel mechanisms available to institutions
wishing to promote fairness. Overall, our analysis provides novel insights to
guide institutional policies in socially diverse complex systems.
- Abstract（参考訳）: 機関や投資家は、寄付を適切に分配するという課題に常に直面している。
予算は無限であり、ポジティブな成果を犠牲にすることなく全体の支出を最適化することは、いくつかのヒューリスティックを用いてアプローチされ解決されている。
これまでは、社会的多様性が普遍的であり、投資家が一部だけ人口を観察できる人口において、公平を奨励する方法を検討できていない。
ここでは,不完全な情報や公平性の柔軟な基準を前提としたいくつかの干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示し、厳格でコストのかかる干渉プロセスを緩和できるようにします。
さらに,ネットワーク中心性尺度によって表される特定の個人の影響を利用して,公平性要件を最小に抑えれば,さらなる支出削減が期待できることがわかった。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
総合的な分析は,社会的に多様な複雑なシステムにおける制度政策を導くための新たな洞察を提供する。
関連論文リスト
- Social Choice for Heterogeneous Fairness in Recommendation [9.753088666705985]
推薦システムにおけるアルゴリズムの公正性は、様々な利害関係者のニーズによく注意する必要がある。
それまでの作業はしばしば、公正性の固定された単目的の定義によって制限されてきた。
我々の研究は、計算社会の選択の観点からのフェアネスを推奨する。
論文 参考訳（メタデータ） (2024-10-06T17:01:18Z) - Assessing Group Fairness with Social Welfare Optimization [0.9217021281095907]
本稿では,社会福祉機能の最適化に基づくより広範な社会的正義の概念が,パーティの定義の多様さを評価する上で有用かどうかを考察する。
特定の条件下では、人口比率や均等化確率を正当化できるが、しばしばこの種のパリティから逸脱する必要がある。
さらに,予測率パリティは有用性に限界があることが判明した。
論文 参考訳（メタデータ） (2024-05-19T01:41:04Z) - Exploring Social Choice Mechanisms for Recommendation Fairness in SCRUF [11.43931298398417]
フェアネス問題の社会的選択の定式化は、フェアネスを意識したリコメンデーションに代わる、柔軟で多面的な代替手段を提供する。
選択と割り当ての異なるクラスが、異なるが一貫した公平さ/正確さのトレードオフをもたらすことを示す。
論文 参考訳（メタデータ） (2023-09-10T17:47:21Z) - FAIRO: Fairness-aware Adaptation in Sequential-Decision Making for
Human-in-the-Loop Systems [8.713442325649801]
本稿では,Human-in-the-Loop(HITL)適応における公平性を考慮したシーケンシャル意思決定のための新しいアルゴリズムを提案する。
特に、FAIROは、この複雑な公正タスクを、個々の人間の好みに基づいて適応的なサブタスクに分解する。
FAIROは、他の3つのアプリケーションと比較して、35.36%の公平性を向上できることを示す。
論文 参考訳（メタデータ） (2023-07-12T00:35:19Z) - 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) - 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) - Joint Multisided Exposure Fairness for Recommendation [76.75990595228666]
本稿では,消費者と生産者の両面から共同で問題をモデル化する,露出公正度尺度のファミリを定式化する。
具体的には、双方の利害関係者に対するグループ属性について、個別のユーザや項目を超えて、より体系的なバイアスを推奨するフェアネスの懸念を識別し緩和する。
論文 参考訳（メタデータ） (2022-04-29T19:13:23Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文 参考訳（メタデータ） (2021-02-13T19:25:52Z) - Empirical observation of negligible fairness-accuracy trade-offs in
machine learning for public policy [13.037143215464132]
多くのアプリケーションにおける公平さと正確さのトレードオフは、実際には無視可能であることを示す。
その結果, 自己資本の達成と, 提案したポストホック格差緩和手法を用いて, 精度を犠牲にすることなく, 公平性を著しく向上したことがわかった。
論文 参考訳（メタデータ） (2020-12-05T08:10:47Z)
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。