論文の概要: Fairly Allocating Utility in Constrained Multiwinner Elections
- arxiv url: http://arxiv.org/abs/2211.12820v1
- Date: Wed, 23 Nov 2022 10:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 16:18:53.494324
- Title: Fairly Allocating Utility in Constrained Multiwinner Elections
- Title(参考訳): 制限付きマルチウィンナー選挙におけるかなりユーティリティーの割当
- Authors: Kunal Relia
- Abstract要約: このような文脈にまたがる公平性を保証する一般的な分母は、制約の使用である。
これらの状況の中で、与えられた制約を満たすために選ばれた候補者は、歴史的に不利な有権者の集団に対して、体系的に不公平な結果をもたらす可能性がある。
投票者間の制約を公平に満たす候補を選択するモデルを構築した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Fairness in multiwinner elections is studied in varying contexts. For
instance, diversity of candidates and representation of voters are both
separately termed as being fair. A common denominator to ensure fairness across
all such contexts is the use of constraints. However, across these contexts,
the candidates selected to satisfy the given constraints may systematically
lead to unfair outcomes for historically disadvantaged voter populations as the
cost of fairness may be borne unequally. Hence, we develop a model to select
candidates that satisfy the constraints fairly across voter populations. To do
so, the model maps the constrained multiwinner election problem to a problem of
fairly allocating indivisible goods. We propose three variants of the model,
namely, global, localized, and inter-sectional. Next, we analyze the model's
computational complexity, and we present an empirical analysis of the utility
traded-off across various settings of our model across the three variants and
discuss the impact of Simpson's paradox using synthetic datasets and a dataset
of voting at the United Nations. Finally, we discuss the implications of our
work for AI and machine learning, especially for studies that use constraints
to guarantee fairness.
- Abstract(参考訳): マルチウィンナー選挙の公平性は様々な状況で研究されている。
例えば、候補者の多様性と有権者の表現はどちらもフェアと呼ばれる。
すべてのコンテキストにおいて公平性を保証する共通の分母は制約の使用である。
しかし、これらの文脈において、与えられた制約を満たすために選ばれた候補者は、歴史的に不公平な有権者に対して、不公平な結果をもたらす可能性がある。
そこで我々は, 投票者間の制約を公平に満たす候補を選択するモデルを構築した。
そのために、制約付きマルチウィンナー選挙問題を、かなり分けられない商品を割り当てる問題にマップする。
我々は,このモデルの3つの変種,すなわちグローバル,ローカライズ,セクション間を提案する。
次に、モデルの計算複雑性を解析し、3つの変種にわたるモデルの様々な設定におけるユーティリティトレードオフの実証分析を行い、シンプソンのパラドックスの影響について、合成データセットと国連における投票データセットを用いて議論する。
最後に、AIと機械学習の研究、特に公正性を保証するために制約を使用する研究の意義について論じる。
関連論文リスト
- Representation Bias in Political Sample Simulations with Large Language Models [54.48283690603358]
本研究は,大規模言語モデルを用いた政治サンプルのシミュレーションにおけるバイアスの同定と定量化を目的とする。
GPT-3.5-Turboモデルを用いて、米国選挙研究、ドイツ縦割り選挙研究、ズオビアオデータセット、中国家族パネル研究のデータを活用する。
論文 参考訳(メタデータ) (2024-07-16T05:52:26Z) - Learning Fair Policies for Multi-stage Selection Problems from
Observational Data [4.282745020665833]
我々は、観測データから多段階選択問題に対する公正なポリシーを学習する問題を考察する。
この問題は、企業の雇用、ローン承認、または、選択された結果のみが観察されるような保釈決定など、いくつかの高い評価の領域で発生する。
本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-20T16:33:15Z) - Evaluating the Fairness of Discriminative Foundation Models in Computer
Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。
そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。
具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文 参考訳(メタデータ) (2023-10-18T10:32:39Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳(メタデータ) (2023-08-28T18:48:34Z) - DualFair: Fair Representation Learning at Both Group and Individual
Levels via Contrastive Self-supervision [73.80009454050858]
この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。
我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
論文 参考訳(メタデータ) (2023-03-15T07:13:54Z) - In Search of Insights, Not Magic Bullets: Towards Demystification of the
Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。
選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
論文 参考訳(メタデータ) (2023-02-06T16:55:37Z) - On the Complexity of Finding a Diverse and Representative Committee
using a Monotone, Separable Positional Multiwinner Voting Rule [0.0]
計算社会選択における研究の線は、選挙における公正性を保証するために制約を使用することを懸念している。
最近の研究は、多様な代表委員会を見つけるためのモデルを提案し、モデルの計算的側面を研究した。
ここでは、単調で分離可能な複数投票ルールを用いて、多彩で代表的な委員会を見つける複雑さを分類する。
論文 参考訳(メタデータ) (2022-11-23T18:56:44Z) - 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) - Fairness in Selection Problems with Strategic Candidates [9.4148805532663]
選択問題における戦略的側面が公平性に与える影響について検討する。
合理的な候補者の人口は、彼らの品質を高めるために努力レベルを選択することで競います。
我々は、異なるパラメータのレジームにおけるこのゲームの(一意)平衡を特徴づける。
論文 参考訳(メタデータ) (2022-05-24T17:03:32Z) - DiRe Committee : Diversity and Representation Constraints in Multiwinner
Elections [0.0]
我々は、候補者と有権者の属性を列挙して委員会を選定するモデル、DiRe Committee Winner determination (DRCWD) を開発する。
このアルゴリズムは,合成データセットの63%,実世界のデータセットの100%のインスタンスに対して,勝利したDiRe委員会を2分未満で発見する。
全体として、DRCWDは、マルチウィンター選挙の研究は、候補者と有権者の両方を、候補者固有の「フェア」モデルが有権者の人口を無意識に傷つけ、またその逆も考慮すべきである、と動機付けている。
論文 参考訳(メタデータ) (2021-07-15T14:32:56Z) - On Fair Selection in the Presence of Implicit Variance [17.517529275692322]
我々は、暗黙のバイアスがなくても、異なるグループからの候補者の質の推定は、別の基本的な方法、すなわち、その分散によって異なるかもしれないと論じる。
本稿では,グループ非依存正規分布から抽出される真の潜伏品質を有する簡易モデルを提案する。
人口パーティメカニズムが常に選択ユーティリティを増大させる一方で、任意の$gamma$-ruleが弱くなることを示す。
論文 参考訳(メタデータ) (2020-06-24T13:08:31Z)
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。