論文の概要: Robustness Implies Fairness in Casual Algorithmic Recourse

• arxiv url: http://arxiv.org/abs/2302.03465v1
• Date: Tue, 7 Feb 2023 13:40:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-08 16:23:51.827852
• Title: Robustness Implies Fairness in Casual Algorithmic Recourse
• Title（参考訳）: カジュアルアルゴリズムにおけるロバストネスの公正性
• Authors: Ahmad-Reza Ehyaei, Amir-Hossein Karimi, Bernhard Sch\"olkopf, Setareh Maghsudi
• Abstract要約: アルゴリズムリコースは、決定が重大な結果をもたらす状況において、ブラックボックス決定プロセスの内部動作を明らかにすることを目的としている。 効果的な治療を確実にするためには、提案された介入は低コストであるだけでなく、堅牢で公平でなければならない。 本研究では,因果的アルゴリズムによる会話における個人的公正性と敵対的ロバスト性の概念について検討する。
• 参考スコア（独自算出の注目度）: 13.86376549140248
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Algorithmic recourse aims to disclose the inner workings of the black-box decision process in situations where decisions have significant consequences, by providing recommendations to empower beneficiaries to achieve a more favorable outcome. To ensure an effective remedy, suggested interventions must not only be low-cost but also robust and fair. This goal is accomplished by providing similar explanations to individuals who are alike. This study explores the concept of individual fairness and adversarial robustness in causal algorithmic recourse and addresses the challenge of achieving both. To resolve the challenges, we propose a new framework for defining adversarially robust recourse. The new setting views the protected feature as a pseudometric and demonstrates that individual fairness is a special case of adversarial robustness. Finally, we introduce the fair robust recourse problem to achieve both desirable properties and show how it can be satisfied both theoretically and empirically.
• Abstract（参考訳）: algorithmic recourseは、意思決定が重大な結果をもたらす状況において、ブラックボックス決定プロセスの内部動作を開示することを目的としている。 効果的な治療を確保するために、推奨される介入は低コストであるだけでなく、堅牢で公平でなければならない。 このゴールは、同様の説明を同一人物に提供することで達成される。 本研究は,因果的アルゴリズムの帰納法における個々人の公平性と敵意の強固さの概念を探求し,両者の達成の課題に対処する。 課題を解決するために,逆向きに頑健な会話を定義するための新しい枠組みを提案する。 この新しい設定は保護された特徴を擬メトリックと見ており、個々の公平性は敵対的強固さの特別な場合であることを示している。 最後に, 望ましい性質を両立するために, 公正なロバストなリコース問題を導入し, 理論上, 経験上, どのように満足できるかを示す。

関連論文リスト

• Fairness in Algorithmic Recourse Through the Lens of Substantive Equality of Opportunity [15.78130132380848]
  アルゴリズムによる会話は、AIシステムとのインタラクションにおいて人に対してエージェンシーを与える手段として注目を集めている。 近年の研究では、個人の初期状況の違いにより、会話自体が不公平である可能性があることが示されている。 個人が行動するのに時間がかかるほど、設定が変更される可能性があるからだ。
  論文  参考訳（メタデータ） (2024-01-29T11:55:45Z)
• Optimising Human-AI Collaboration by Learning Convincing Explanations [62.81395661556852]
  本研究では,人間による意思決定によって安全を保ちながら協調的なシステムを構築する手法を提案する。 Ardentは、説明のための個人の好みに適応することで、効率的で効果的な意思決定を可能にする。
  論文  参考訳（メタデータ） (2023-11-13T16:00:16Z)
• Understanding Fairness Surrogate Functions in Algorithmic Fairness [21.555040357521907]
  フェアネスの定義とフェアネスのサロゲート関数の間には、サロゲートとフェアネスのギャップがあることが示される。 我々は、不公平を緩和するギャップを反復的に減少させる「バランスド・サロゲート」という、新規で一般的なアルゴリズムを精査する。
  論文  参考訳（メタデータ） (2023-10-17T12:40:53Z)
• Rethinking Fairness for Human-AI Collaboration [32.969050978497066]
  そこで本研究では, 性能改善型コンプライアンス・ロバストな公正なポリシーを特定するための, 簡易な最適化手法を提案する。 独立して公平であり、コンプライアンスが不公平で、人間のポリシーよりも正確であるアルゴリズムレコメンデーションを設計することは不可能かもしれない。
  論文  参考訳（メタデータ） (2023-10-05T16:21:42Z)
• 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)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Fairness Increases Adversarial Vulnerability [50.90773979394264]
  フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。 非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。 フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
  論文  参考訳（メタデータ） (2022-11-21T19:55:35Z)
• On the Complexity of Adversarial Decision Making [101.14158787665252]
  決定推定係数は, 相手の意思決定に対する後悔度を低く抑えるのに必要であり, 十分であることを示す。 我々は、決定推定係数を他のよく知られた複雑性尺度の変種に結びつける新しい構造結果を提供する。
  論文  参考訳（メタデータ） (2022-06-27T06:20:37Z)
• On the Adversarial Robustness of Causal Algorithmic Recourse [2.1132376804211543]
  レコメンデーションは理想的には、合理的に小さな不確実性に対して堅牢であるべきです。 最小コストのリコースを提供するリコース手法は堅牢ではないことを示す。 本稿では,ロバストなリコースを求めるコストを低くするモデルレギュレータを提案する。
  論文  参考訳（メタデータ） (2021-12-21T16:00:54Z)
• Identifying Best Fair Intervention [7.563864405505623]
  本研究では,所定の因果モデルにおけるフェアネス制約付き腕識別の問題について検討する。 この問題は、オンラインマーケットプレースにおける公正性の確保によって動機づけられている。
  論文  参考訳（メタデータ） (2021-11-08T04:36:54Z)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)

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。