論文の概要: From Utilitarian to Rawlsian Designs for Algorithmic Fairness
- arxiv url: http://arxiv.org/abs/2302.03567v1
- Date: Tue, 7 Feb 2023 16:28:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-08 15:47:57.141840
- Title: From Utilitarian to Rawlsian Designs for Algorithmic Fairness
- Title（参考訳）: アルゴリズムフェアネスのための実用性からRawlsianデザインへ
- Authors: Daniel E. Rigobon
- Abstract要約: 善の2つの(おそらく)矛盾する概念を補間する客観関数のクラスを提示する。
我々は最適解を計算し、有効性の概念と善のラウルシアン概念の間のトレードオフを構築する」。
「この研究は「公正の適切な度合い」が、誘導的実用主義とルールシアン・グッドの空間に対するデザイナーの嗜好によってもたらされることを示唆している。」
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: There is a lack of consensus within the literature as to how `fairness' of
algorithmic systems can be measured, and different metrics can often be at
odds. In this paper, we approach this task by drawing on the ethical frameworks
of utilitarianism and John Rawls. Informally, these two theories of
distributive justice measure the `good' as either a population's sum of
utility, or worst-off outcomes, respectively. We present a parameterized class
of objective functions that interpolates between these two (possibly)
conflicting notions of the `good'. This class is shown to represent a
relaxation of the Rawlsian `veil of ignorance', and its sequence of optimal
solutions converges to both a utilitarian and Rawlsian optimum. Several other
properties of this class are studied, including: 1) a relationship to
regularized optimization, 2) feasibility of consistent estimation, and 3)
algorithmic cost. In several real-world datasets, we compute optimal solutions
and construct the tradeoff between utilitarian and Rawlsian notions of the
`good'. Empirically, we demonstrate that increasing model complexity can
manifest strict improvements to both measures of the `good'. This work suggests
that the proper degree of `fairness' can be informed by a designer's
preferences over the space of induced utilitarian and Rawlsian `good'.
- Abstract（参考訳）: アルゴリズムシステムの“フェアネス(fairness)”を計測する方法については、文献内ではコンセンサスが欠如しており、異なるメトリクスが相反することが多い。
本稿では,実用主義とジョン・ロールズの倫理的枠組みを描くことにより,この課題にアプローチする。
非公式に、分配的正義のこの2つの理論は、それぞれ「良い」を集団の効用の合計または最悪の結果として測定する。
これら2つの(おそらく)矛盾する「良い」概念の間を補間する目的関数のパラメタライズされたクラスを示す。
このクラスは、rawlsian 'veil of ignorance' の緩和を表しており、その最適解の列は、実用性およびrawlsian optimalの両方に収束する。
このクラスの他のいくつかの特性について研究されている。
1)正規化最適化との関係
2)一貫した推定の実現可能性、及び
3)アルゴリズムコスト。
いくつかの実世界のデータセットでは、最適な解を計算し、効用論と「よい」の概念の間のトレードオフを構築する。
経験的に、モデルの複雑さの増大は両方の「良い」尺度に厳格な改善をもたらすことを実証する。
この研究は、「フェアネス」の適切な度合いが、誘導的実用主義とルーシアン「グッド」の空間に対するデザイナの好みによってもたらされることを示唆している。
関連論文リスト
- Efficient Fairness-Performance Pareto Front Computation [51.558848491038916]
最適公正表現はいくつかの有用な構造特性を持つことを示す。
そこで,これらの近似問題は,凹凸プログラミング法により効率的に解けることを示す。
論文 参考訳（メタデータ） (2024-09-26T08:46:48Z) - Towards Efficient Pareto-optimal Utility-Fairness between Groups in
Repeated Rankings [7.6275971668447005]
消費者と生産者のパレート最適バランスを保証し、ランキングの列を計算する問題に対処する。
本稿では,全ての項目が露出する点を表すペルムタヘドロンであるExpohedronを用いて,上記の問題に対する新しいアプローチを提案する。
さらに,Expohedronの囲む$n$-sphereの最適化問題を緩和し,実行時間を大幅に改善する効率的な手法を提案する。
論文 参考訳（メタデータ） (2024-02-22T05:48:54Z) - Best Arm Identification in Stochastic Bandits: Beyond $\beta-$optimality [31.359578768463752]
本稿では,固定信頼設定における多腕バンディットにおけるベストアーム識別(BAI)の非装飾的側面について検討する。
帯域幅アルゴリズムを評価するための2つの重要な指標は、計算効率と性能最適性である。
本稿では,BAIのためのフレームワークとアルゴリズムを導入し,計算効率のよい決定ルールセットを用いて最適性能を実現する。
論文 参考訳（メタデータ） (2023-01-10T05:02:49Z) - Rawlsian Fair Adaptation of Deep Learning Classifiers [18.150327860396786]
分類におけるグループフェアネスは、人種や性別など、様々な敏感なサブ人口にまたがる予測ユーティリティの平等を目標としている。
本稿では、Rawls分類器が、最悪の低感度サブ集団におけるエラー率を最小限に抑えることを示す。
実験結果から, フェアネスのトレーニングを行なわずとも, 最先端のグループフェアアルゴリズムよりも有意な改善が得られた。
論文 参考訳（メタデータ） (2021-05-31T11:31:30Z) - Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。
ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。
本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
論文 参考訳（メタデータ） (2021-05-11T03:38:16Z) - Preference learning along multiple criteria: A game-theoretic
perspective [97.94912276610002]
我々は、ブラックウェルの接近性からインスピレーションを得て、フォン・ノイマンの勝者の概念をマルチ基準設定に一般化する。
本フレームワークは,基準間の選好の非線形集約を可能にし,多目的最適化から線形化に基づくアプローチを一般化する。
凸最適化問題の解法として,マルチ基準問題インスタンスのブラックウェルの勝者が計算可能であることを示す。
論文 参考訳（メタデータ） (2021-05-05T03:23:11Z) - Stochastic Optimization Forests [60.523606291705214]
標準的なランダムな森林アルゴリズムのように予測精度を向上させるために分割するのではなく、分割を選択した木を栽培し、下流の意思決定品質を直接最適化することで、森林決定政策の訓練方法を示す。
概略分割基準は、各候補分割に対して正確に最適化された森林アルゴリズムに近い性能を保ちながら、100倍のランニング時間を短縮できることを示す。
論文 参考訳（メタデータ） (2020-08-17T16:56:06Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z) - Fair Classification via Unconstrained Optimization [0.0]
我々はベイズ最適公正学習規則がベイズ回帰器に対するグループワイドしきい値の規則のままであることを示す。
提案アルゴリズムは,任意のブラックボックス機械学習モデルに適用可能である。
論文 参考訳（メタデータ） (2020-05-21T11:29:05Z) - Ranking a set of objects: a graph based least-square approach [70.7866286425868]
同一労働者の群集によるノイズの多いペアワイズ比較から始まる$N$オブジェクトのランク付けの問題について考察する。
品質評価のために,最小二乗内在的最適化基準に依存する非適応的ランキングアルゴリズムのクラスを提案する。
論文 参考訳（メタデータ） (2020-02-26T16:19:09Z)
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。