論文の概要: Detecting Electricity Service Equity Issues with Transfer Counterfactual Learning on Large-Scale Outage Datasets

• arxiv url: http://arxiv.org/abs/2310.03258v1
• Date: Thu, 5 Oct 2023 02:22:16 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 19:39:36.736028
• Title: Detecting Electricity Service Equity Issues with Transfer Counterfactual Learning on Large-Scale Outage Datasets
• Title（参考訳）: 大規模停電データを用いたトランスファーファファクトラーニングによる電力サービスエクイティ問題の検出
• Authors: Song Wei, Xiangrui Kong, Sarah A Huestis-Mitchell, Shixiang Zhu, Yao Xie, Alinson Santos Xavier, Feng Qiu
• Abstract要約: 本稿では,エネルギー正義を主眼とした反事実因果解析のための新しい手法を提案する。 サブグループ分析を用いて、多様な要因を管理し、転送学習の考え方を活用し、各サブグループのデータ不足を軽減する。 以上の結果から,低所得地域と高齢者人口地域は,気象条件によらず,停電が長くなることが示唆された。
• 参考スコア（独自算出の注目度）: 12.48383187515296
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Energy justice is a growing area of interest in interdisciplinary energy research. However, identifying systematic biases in the energy sector remains challenging due to confounding variables, intricate heterogeneity in treatment effects, and limited data availability. To address these challenges, we introduce a novel approach for counterfactual causal analysis centered on energy justice. We use subgroup analysis to manage diverse factors and leverage the idea of transfer learning to mitigate data scarcity in each subgroup. In our numerical analysis, we apply our method to a large-scale customer-level power outage data set and investigate the counterfactual effect of demographic factors, such as income and age of the population, on power outage durations. Our results indicate that low-income and elderly-populated areas consistently experience longer power outages, regardless of weather conditions. This points to existing biases in the power system and highlights the need for focused improvements in areas with economic challenges.
• Abstract（参考訳）: エネルギー正義は学際的なエネルギー研究への関心が高まっている。 しかしながら、エネルギーセクターにおける系統的バイアスの特定は、変数の相違、治療効果の不均一性の複雑化、データ可用性の制限により、依然として困難である。 これらの課題に対処するため,エネルギー正義を中心とした反事実因果解析の新たなアプローチを導入する。 サブグループ分析を用いて多様な要因を管理し,各サブグループにおけるデータ不足を軽減するためにトランスファー学習の考え方を活用する。 本研究では,本手法を大規模顧客レベルでの停電データに適用し,人口の所得や年齢といった人口統計学的要因が停電期間に与える影響について検討した。 以上の結果から,低所得地域と高齢者地域は,気象条件によらず,常に停電が長くなることが示唆された。 これは、電力システムの既存のバイアスを指摘し、経済的課題のある領域における集中的な改善の必要性を強調している。

関連論文リスト

• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Long-term dynamics of fairness: understanding the impact of data-driven targeted help on job seekers [1.357291726431012]
  我々は、統計と機械学習を組み合わせたアプローチを用いて、労働市場の介入による長期的な公正効果を評価する。 我々は、求職者を選択的に支援する公共雇用機関による意思決定の影響を調べるためのモデルを開発し、利用する。 実世界のシステムにおけるトレードオフの定量化と長期的公正効果を評価するためには、周辺労働市場の慎重なモデリングが不可欠である。
  論文  参考訳（メタデータ） (2022-08-17T12:03:23Z)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Detecting and interpreting faults in vulnerable power grids with machine learning [3.29419980898768]
  未スケジュールの電力障害は、顧客とグリッドオペレータの両方に深刻な結果をもたらす。 本研究では,北極圏のノルウェー人コミュニティの電力網に焦点をあてる。 機械学習技術を用いて断層の発生を予測する。
  論文  参考訳（メタデータ） (2021-08-16T12:54:36Z)
• Improving Fairness of AI Systems with Lossless De-biasing [15.039284892391565]
  AIシステムのバイアスを緩和して全体的な公正性を高めることが重要な課題となっている。 我々は,不利益グループにおけるデータの不足を対象とする情報損失のない脱バイアス手法を提案する。
  論文  参考訳（メタデータ） (2021-05-10T17:38:38Z)
• Through the Data Management Lens: Experimental Analysis and Evaluation of Fair Classification [75.49600684537117]
  データ管理研究は、データとアルゴリズムの公平性に関連するトピックに対する存在感と関心が高まっている。 我々は,その正しさ,公平性,効率性,スケーラビリティ,安定性よりも,13の公正な分類アプローチと追加の変種を幅広く分析している。 我々の分析は、異なるメトリクスとハイレベルなアプローチ特性がパフォーマンスの異なる側面に与える影響に関する新しい洞察を強調します。
  論文  参考訳（メタデータ） (2021-01-18T22:55:40Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• How Do Fair Decisions Fare in Long-term Qualification? [28.069400272075185]
  部分的に観察されたマルコフ決定問題設定の下で,集団資格とアルゴリズム決定のダイナミクスについて検討した。 このような力学の平衡を特徴付けることにより、静的フェアネス制約の長期的影響がグループウェルビーイングの平等性と改善に与える影響を解析する。
  論文  参考訳（メタデータ） (2020-10-21T20:27:48Z)

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。