論文の概要: The Initial Screening Order Problem

• arxiv url: http://arxiv.org/abs/2307.15398v4
• Date: Mon, 2 Sep 2024 10:35:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-04 22:44:54.620036
• 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, Antonio Mastropietro, Salvatore Ruggieri,
• Abstract要約: 本研究は,従業員採用や大学入学など,候補者検診業務における初期検診命令(ISO)の役割について検討する。 ISOは、選択された$k$候補の最適性と公正性に影響を与える可能性があるにもかかわらず、文献でほとんど見過ごされてきた。
• 参考スコア（独自算出の注目度）: 20.105850916041952
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We investigate the role of the initial screening order (ISO) in candidate screening tasks, such as employee hiring and academic admissions, in which a screener is tasked with selecting $k$ candidates from a candidate pool. The ISO refers to the order in which the screener searches the candidate pool. Today, it is common for the ISO to be the product of an information access system, such as an online platform or a database query. The ISO has been largely overlooked in the literature, despite its potential impact on the optimality and fairness of the chosen $k$ candidates, especially under a human screener. We define two problem formulations describing the search behavior of the screener under the ISO: the best-$k$, where the screener selects the $k$ best candidates; and the good-$k$, where the screener selects the $k$ first good-enough candidates. To study the impact of the ISO, we introduce a human-like screener and compare it to its algorithmic counterpart, where the human-like screener is conceived to be inconsistent over time due to fatigue. In particular, our analysis shows that the ISO, under a human-like screener solving for the good-$k$ problem, hinders individual fairness despite meeting group level fairness, and hampers the optimality of the selected $k$ candidates. This is due to position bias, where a candidate's evaluation is affected by its position within the ISO. We report extensive simulated experiments exploring the parameters of the best-$k$ and good-$k$ problems for the algorithmic and human-like screeners. The simulation framework is flexible enough to account for multiple screening settings, being an alternative to running real-world candidate screening procedures. This work is motivated by a real-world candidate screening problem studied in collaboration with an European company.
• Abstract（参考訳）: そこで,本研究では,候補者プールから$k$の候補者を選別する審査員を課題とする,従業員採用や学術受験などの候補検定業務における初期検定命令(ISO)の役割について検討する。 ISOは、スクリーニング者が候補プールを検索する順序を指す。 今日では、ISOがオンラインプラットフォームやデータベースクエリのような情報アクセスシステムの製品であるのが一般的である。 ISOは、選択された$k$候補の最適性と公正性、特にヒトスクリーニングの下での潜在的影響にもかかわらず、文献でおおむね見落とされてきた。 我々は,ISO の下での表示者の検索動作を記述する2つの問題定式化を定義する。ベスト$k$,ベスト$k$,グッド$k$,ベスト$k$。 ISOの影響を研究するため,本研究では,ヒトライクなスクリーニング装置を導入し,そのアルゴリズムとの比較を行った。 特に,本分析の結果から,ISOは「$k$」の問題に対処し,グループレベルの公正さにもかかわらず個人の公正性を阻害し,選択した$k$候補の最適性を損なうことが明らかとなった。 これは、候補の評価がISO内の位置に影響される位置バイアスによるものである。 我々は,アルゴリズムや人間のようなスクリーニングを行う上で,最良のk$とよいk$のパラメータを探索する広範囲なシミュレーション実験を報告する。 シミュレーションフレームワークは、複数のスクリーニング設定を考慮するのに十分な柔軟性があり、実際の候補スクリーニング手順の実行に代わるものだ。 この研究は、ヨーロッパの企業と共同で研究されている実世界の候補者スクリーニング問題によって動機付けられている。

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)
• PSDiff: Diffusion Model for Person Search with Iterative and Collaborative Refinement [59.6260680005195]
  本稿では,拡散モデルであるPSDiffに基づく新しいPerson Searchフレームワークを提案する。 PSDiffは、ノイズの多いボックスとReID埋め込みから地上の真実へのデュアルデノケーションプロセスとして検索する人を定式化する。 新しいパラダイムに従って、我々は、反復的かつ協調的な方法で検出とReIDサブタスクを最適化する新しいコラボレーティブ・デノナイジング・レイヤ(CDL)を設計する。
  論文  参考訳（メタデータ） (2023-09-20T08:16:39Z)
• 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)
• Personality Detection of Applicants And Employees Using K-mode Algorithm And Ocean Model [0.0]
  応募者の性格タイプを特定するモデルが作成され、雇用主は、人の表情を調べ、スピーチのイントネーションを調べ、再開することで、適格な候補者を見つけることができる。 各質問に対する従業員の態度と行動が調査され、分析されている。 K-Modesクラスタリングは、仕事のプレッシャー、労働環境、同僚との関係など、従業員の幸福度を予測するために使用される。
  論文  参考訳（メタデータ） (2022-12-27T11:00:58Z)
• 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)
• Choosing an algorithmic fairness metric for an online marketplace: Detecting and quantifying algorithmic bias on LinkedIn [0.21756081703275995]
  等資格候補に対する等機会の公平性の概念から、アルゴリズム的公正度計量を導出する。 提案手法は、LinkedInが使用している2つのアルゴリズムの性別に関するアルゴリズムバイアスを計測し、定量化する。
  論文  参考訳（メタデータ） (2022-02-15T10:33:30Z)
• 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)
• Intersectional Affirmative Action Policies for Top-k Candidates Selection [3.4961413413444817]
  本研究では,トップk候補を応募者のプールから選抜する問題について検討する。 我々は,一部の候補者が歴史的かつ現在の不利を経験している状況を考える。 そこで本研究では,OECD国における学力評価と学士号取得のデータセットを用いて,この問題を解き,解析し,評価する2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-29T12:27:18Z)
• 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。