論文の概要: Algorithms for Social Justice: Affirmative Action in Social Networks
- arxiv url: http://arxiv.org/abs/2305.03223v1
- Date: Fri, 5 May 2023 00:57:55 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-08 15:47:22.195585
- Title: Algorithms for Social Justice: Affirmative Action in Social Networks
- Title（参考訳）: 社会正義のためのアルゴリズム:ソーシャルネットワークにおける肯定的行動
- Authors: Georgina Curto, Adrian Arnaiz-Rodriguez, Nuria Oliver
- Abstract要約: 本稿ではスペクトルグラフ理論に基づく新しいリンク推薦アルゴリズムであるERA-Linkを提案する。
本稿では,社会正義の追求に呼応して,プレイヤーの多様化とソーシャル・ネットワーク・プラットフォームの目的を提唱する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Link recommendation algorithms contribute to shaping human relations of
billions of users worldwide in social networks. To maximize relevance, they
typically propose connecting users that are similar to each other. This has
been found to create information silos, exacerbating the isolation suffered by
vulnerable salient groups and perpetuating societal stereotypes. To mitigate
these limitations, a significant body of work has been devoted to the
implementation of fair link recommendation methods. However, most approaches do
not question the ultimate goal of link recommendation algorithms, namely the
monetization of users' engagement in intricate business models of data trade.
This paper advocates for a diversification of players and purposes of social
network platforms, aligned with the pursue of social justice. To illustrate
this conceptual goal, we present ERA-Link, a novel link recommendation
algorithm based on spectral graph theory that counteracts the systemic societal
discrimination suffered by vulnerable groups by explicitly implementing
affirmative action. We propose four principled evaluation measures, derived
from effective resistance, to quantitatively analyze the behavior of the
proposed method and compare it to three alternative approaches. Experiments
with synthetic and real-world networks illustrate how ERA-Link generates better
outcomes according to all evaluation measures, not only for the vulnerable
group but for the whole network. In other words, ERA-Link recommends
connections that mitigate the structural discrimination of a vulnerable group,
improves social cohesion and increases the social capital of all network users.
Furthermore, by promoting the access to a diversity of users, ERA-Link
facilitates innovation opportunities.
- Abstract（参考訳）: リンクレコメンデーションアルゴリズムは、世界中のソーシャルネットワークで何十億というユーザーの人間関係を形成するのに役立つ。
関連性を最大化するために、彼らは通常、互いに類似した接続ユーザを提案する。
これにより情報サイロが生成され、脆弱な有能なグループによる孤立が悪化し、社会的なステレオタイプが持続する。
これらの制限を緩和するために、フェアリンク推奨手法の実装に多くの作業が費やされてきた。
しかし、ほとんどのアプローチはリンクレコメンデーションアルゴリズムの最終的な目標、すなわちデータ取引の複雑なビジネスモデルにおけるユーザの関与の収益化に疑問を呈しない。
本稿では,社会正義の追求に沿った,プレイヤーの多様化とソーシャル・ネットワーク・プラットフォームの目的を提唱する。
そこで本稿では,この概念的目標を説明するために,スペクトルグラフ理論に基づく新たなリンク推薦アルゴリズムである era-link を提案する。
提案手法の挙動を定量的に分析し, 提案手法を3つの方法と比較するために, 有効抵抗から導かれる4つの基本的評価尺度を提案する。
合成および実世界のネットワークを用いた実験は、ERA-Linkが脆弱なグループだけでなくネットワーク全体に対して、すべての評価基準に従ってより良い結果を生成する方法を示している。
言い換えれば、ERA-Linkは脆弱なグループの構造的差別を緩和し、社会的結束を改善し、すべてのネットワークユーザーの社会的資本を増大させるコネクションを推奨している。
さらに、多様なユーザへのアクセスを促進することで、ERA-Linkはイノベーションの機会を促進する。
関連論文リスト
- How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
グループ不均衡は経験的リスク最小化において既知の問題である。
本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
論文 参考訳（メタデータ） (2024-03-12T04:38:05Z) - Federated Fairness without Access to Sensitive Groups [12.888927461513472]
連合学習におけるグループフェアネスへの現在のアプローチは、トレーニング中に事前に定義されラベル付けされたセンシティブなグループが存在することを前提としている。
我々は、センシティブなグループや追加のラベルの事前定義された定義に依存しないグループフェアネスを保証するための新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-02-22T19:24:59Z) - Group fairness without demographics using social networks [29.073125057536014]
グループフェアネス(英: Group Fairness)は、人種、性別、障害などのセンシティブな属性に基づいて、個人の好ましくない扱いを防止するための一般的なアプローチである。
そこで本稿では, センシティブな属性に依存しないフェアネスの「グループフリー」尺度を提案する。
論文 参考訳（メタデータ） (2023-05-19T00:45:55Z) - Fair Information Spread on Social Networks with Community Structure [2.9613974659787132]
インフルエンス・マキシミザ・オン(IM)アルゴリズムは、情報が提供された場合、ソーシャルネットワークを通じて最も大きなスプレッドを発生させる個人を特定することを目的としている。
この作業は、最適公正情報拡散のためのシードアロケーション戦略を決定するために使用されるソーシャルネットワークにモデルを適用することに依存する。
論文 参考訳（メタデータ） (2023-05-15T16:51:18Z) - Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
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。
論文 参考訳（メタデータ） (2022-11-18T21:58:35Z) - Hunting Group Clues with Transformers for Social Group Activity
Recognition [3.1061678033205635]
社会的グループ活動認識には、複数のサブグループ活動を認識し、グループメンバーを特定する必要がある。
既存のほとんどのメソッドは、リージョンの機能を精錬し、それらをアクティビティのフィーチャにまとめることで、両方のタスクに取り組みます。
我々は,効果的なソーシャルグループ機能を生成するために,トランスフォーマーのアテンションモジュールを活用することを提案する。
本手法は,アテンションモジュールが社会的グループ活動に関連する特徴を識別し,集約するように設計されている。
論文 参考訳（メタデータ） (2022-07-12T01:46:46Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - Group mixing drives inequality in face-to-face gatherings [2.7728956081909346]
対面状況下での社会集団の相互作用は、社会集団の可視性における格差の出現を可能にすることを示す。
群混合と群サイズ不均衡の結果,これらの相違を説明するメカニズムについて述べる。
論文 参考訳（メタデータ） (2021-06-22T11:44:02Z) - 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) - GAEA: Graph Augmentation for Equitable Access via Reinforcement Learning [50.90625274621288]
異なるサブ人口によるリソースへの別のアクセスは、社会および社会技術ネットワークにおける一般的な問題です。
予算制約下でグラフエッジを編集することにより,ネットワークシステムにおける公平性を高めるため,新たな問題クラスであるグラフ拡張・等価アクセス(GAEA)を導入する。
論文 参考訳（メタデータ） (2020-12-07T18:29:32Z) - Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。
我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
論文 参考訳（メタデータ） (2020-06-13T06:43:37Z)
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。