論文の概要: The Initial Screening Order Problem

• arxiv url: http://arxiv.org/abs/2307.15398v1
• Date: Fri, 28 Jul 2023 08:48:32 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-31 13:25:18.223341
• Title: The Initial Screening Order Problem
• Title（参考訳）: 初期スクリーニング順序問題
• Authors: Jose M. Alvarez and Salvatore Ruggieri
• Abstract要約: 本稿では,初期スクリーニング順序問題,すなわち候補検定における重要なステップについて述べる。 最初のスクリーニング順序は、ヒトのようなスクリーニング者がスクリーニングの前に候補プールを配置する方法を表す。 我々は、不均衡な候補プールの下で、人間のようなスクリーニングが意思決定を妨げる不公平な努力に悩まされることを証明した。
• 参考スコア（独自算出の注目度）: 28.995417890041086
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper we present the initial screening order problem, a crucial step within candidate screening. It involves a human-like screener with an objective to find the first k suitable candidates rather than the best k suitable candidates in a candidate pool given an initial screening order. The initial screening order represents the way in which the human-like screener arranges the candidate pool prior to screening. The choice of initial screening order has considerable effects on the selected set of k candidates. We prove that under an unbalanced candidate pool (e.g., having more male than female candidates), the human-like screener can suffer from uneven efforts that hinder its decision-making over the protected, under-represented group relative to the non-protected, over-represented group. Other fairness results are proven under the human-like screener. This research is based on a collaboration with a large company to better understand its hiring process for potential automation. Our main contribution is the formalization of the initial screening order problem which, we argue, opens the path for future extensions of the current works on ranking algorithms, fairness, and automation for screening procedures.
• Abstract（参考訳）: 本稿では, 候補スクリーニングにおける重要なステップである初期スクリーニング順序問題を提案する。 これは、最初のスクリーニング順序が与えられた候補プールの最も適した候補ではなく、最初のkに適した候補を見つける目的を持つ人間のようなスクリーニングである。 最初のスクリーニング順序は、ヒトのようなスクリーニング者がスクリーニングの前に候補プールを配置する方法を表す。 初期スクリーニング順序の選択は、選択されたk候補集合に大きな影響を与える。 我々は、不均衡な候補プール(例えば、女性よりも男性が多い)の下で、人間のようなスクリーニング者は、保護されていない、過剰に表現されたグループに対して、その決定を妨害する不公平な努力に苦しむことができることを証明した。 その他の公平性の結果は人間のようなスクリーンで証明される。 この研究は、自動化のための雇用プロセスをよりよく理解するために、大企業とのコラボレーションに基づいている。 我々の主な貢献は、初期スクリーニング順序問題の定式化であり、これは現在のランキングアルゴリズム、公正性、スクリーニング手順の自動化に関する現在の研究の今後の拡張の道を開くものであると主張する。

関連論文リスト

• 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)
• LEAPS: End-to-End One-Step Person Search With Learnable Proposals [50.39493100627476]
  LEAPSという学習可能な提案を用いたエンドツーエンドのワンステップ人物探索手法を提案する。 スパースと学習可能な提案のセットが与えられた後、LEAPSは動的人物検索ヘッドを使用して、非最大抑圧後処理なしで直接人物検出および対応するre-id特徴生成を行う。
  論文  参考訳（メタデータ） (2023-03-21T13:59:32Z)
• Proxy-based Zero-Shot Entity Linking by Effective Candidate Retrieval [3.1498833540989413]
  本稿では, 逆正則化器とプロキシベースのメトリック学習損失のペアリングが, 候補探索段階における強負サンプリングの効率的な代替手段となることを示す。 特に、リコール@1メートル法で競合性能を示すため、高価な候補ランキングのステップを除外するオプションを提供する。
  論文  参考訳（メタデータ） (2023-01-30T22:43:21Z)
• OIMNet++: Prototypical Normalization and Localization-aware Learning for Person Search [34.460973847554364]
  我々は,人物検索,すなわち,生のシーン画像から人物をローカライズし,再同定するタスクに対処する。 近年のアプローチは、人探索の先駆的な研究であるOIMNetに基づいて構築され、共同人物表現を学習し、検出と人の再識別の両方を行う。 ProtoNormと呼ばれる新しい正規化レイヤを導入し、人身認証の長期分布を考慮しつつ、歩行者の提案から特徴を校正する。
  論文  参考訳（メタデータ） (2022-07-21T06:34:03Z)
• RMBR: A Regularized Minimum Bayes Risk Reranking Framework for Machine Translation [23.92144747868981]
  ビームサーチは、ニューラルネットワーク翻訳(NMT)の最も広く使われている復号法である 実際には、n候補のうち、最もログ確率の高いトップ1候補が好まれる候補として選択される。 しかし、このトップ1候補は、n-bestリストの中では最高の全体的な翻訳ではないかもしれない。
  論文  参考訳（メタデータ） (2022-03-01T03:12:17Z)
• UniCon: Unified Context Network for Robust Active Speaker Detection [111.90529347692723]
  我々は、堅牢なアクティブ話者検出(ASD)のための新しい効率的なフレームワークUnified Context Network(UniCon)を導入する。 私たちのソリューションは、複数の種類のコンテキスト情報を共同でモデリングすることに焦点を当てた、新しく統合されたフレームワークです。 異なる設定下で、いくつかの挑戦的なASDベンチマークで徹底的なアブレーション研究が実施されている。
  論文  参考訳（メタデータ） (2021-08-05T13:25:44Z)
• MS-Ranker: Accumulating Evidence from Potentially Correct Candidates for Answer Selection [59.95429407899612]
  そこで我々は,MS-Ranker という,新しい強化学習に基づくマルチステップランキングモデルを提案する。 我々は、候補の潜在的な正しさを明示的に考慮し、ゲーティング機構で証拠を更新する。 我々のモデルは、外部リソースに依存しない既存の手法を著しく上回ります。
  論文  参考訳（メタデータ） (2020-10-10T10:36:58Z)
• Exploration in two-stage recommender systems [79.50534282841618]
  2段階のレコメンデータシステムは、スケーラビリティと保守性のために業界で広く採用されている。 このセットアップの鍵となる課題は、各ステージの最適性能が最適なグローバルパフォーマンスを暗示していないことである。 そこで本研究では,ランクとノミネーター間の探索戦略を同期させる手法を提案する。
  論文  参考訳（メタデータ） (2020-09-01T16:52:51Z)
• 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)

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。