Fugu-MT 論文翻訳(概要): Algorithmic Fairness with Feedback

論文の概要: Algorithmic Fairness with Feedback

arxiv url: http://arxiv.org/abs/2312.03155v1
Date: Tue, 5 Dec 2023 21:42:14 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 16:39:25.740218
Title: Algorithmic Fairness with Feedback
Title（参考訳）: フィードバックによるアルゴリズム的公平性
Authors: John W. Patty and Elizabeth Maggie Penn
Abstract要約: まず、ノイズデータに基づく決定において、公平性アルゴリズムの統計的概念が、公平性の概念とは無関係であることを示す。次に、公正性、うらやましい自由、偏見の自由性の2つの個別の福祉的概念について議論し、エラーレートバランスと予測パリティに相当する条件を確立する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The field of algorithmic fairness has rapidly emerged over the past 15 years as algorithms have become ubiquitous in everyday lives. Algorithmic fairness traditionally considers statistical notions of fairness algorithms might satisfy in decisions based on noisy data. We first show that these are theoretically disconnected from welfare-based notions of fairness. We then discuss two individual welfare-based notions of fairness, envy freeness and prejudice freeness, and establish conditions under which they are equivalent to error rate balance and predictive parity, respectively. We discuss the implications of these findings in light of the recently discovered impossibility theorem in algorithmic fairness (Kleinberg, Mullainathan, & Raghavan (2016), Chouldechova (2017)).
Abstract（参考訳）: アルゴリズムの公平さの分野は、アルゴリズムが日常生活でユビキタスになり、過去15年間に急速に現れてきた。アルゴリズム的公平性は、伝統的に、公正性アルゴリズムの統計的概念がノイズデータに基づく決定において満足されると考える。まず, 福祉に基づく公正概念とは理論的に切り離されていることを示す。次に、公正性、うらやましい自由性、偏見の自由性の2つの個別の福祉的概念について議論し、それぞれエラーレートバランスと予測パリティに相当する条件を確立する。アルゴリズム的公平性(kleinberg, mullainathan, & raghavan (2016), chouldechova (2017))において最近発見された不確実性定理に照らして,これらの発見の意義について議論する。

関連論文リスト

Implementing Fairness: the view from a FairDream [0.0]
私たちはAIモデルをトレーニングし、不平等を検出して修正するために、独自の公正パッケージFairDreamを開発します。本実験は,FairDreamの特性として,真理を条件としたフェアネスの目標を達成できることを実証した。
論文参考訳（メタデータ） (2024-07-20T06:06:24Z)
What's Distributive Justice Got to Do with It? Rethinking Algorithmic Fairness from the Perspective of Approximate Justice [1.8434042562191815]
不完全な意思決定システムという文脈では、個人間での利益/利益の理想的な分配がどのようなものになるかだけを気にすべきではない、と私たちは主張する。このためには、アルゴリズムフェアネス研究者として、分配的正義を見極め、公正性基準を使用する方法を再考する必要がある。
論文参考訳（メタデータ） (2024-07-17T11:13:23Z)
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)
Fairness in Matching under Uncertainty [78.39459690570531]
アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
論文参考訳（メタデータ） (2023-02-08T00:30:32Z)
Counterfactual Fairness Is Basically Demographic Parity [0.0]
公正な意思決定は、倫理的に機械学習アルゴリズムを社会的設定で実装する上で重要である。また, 対実的公正性を満たすアルゴリズムが, 人口統計学的平等を満足することを示す。我々は、保護グループ内の個人の秩序を維持するという具体的な公正目標を定式化する。
論文参考訳（メタデータ） (2022-08-07T23:38:59Z)
Understanding Unfairness in Fraud Detection through Model and Data Bias Interactions [4.159343412286401]
アルゴリズムの不公平性は、データ内のモデルとバイアスの間の相互作用に起因すると我々は主張する。フェアネスブラインドMLアルゴリズムが示す公平さと正確さのトレードオフに関する仮説を、異なるデータバイアス設定下で検討する。
論文参考訳（メタデータ） (2022-07-13T15:18:30Z)
How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。提案手法を3つの人気フェアネスデータセットで評価する。
論文参考訳（メタデータ） (2022-07-04T02:37:50Z)
Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
論文参考訳（メタデータ） (2022-01-10T21:43:44Z)
Efficient First-Order Contextual Bandits: Prediction, Allocation, and Triangular Discrimination [82.52105963476703]
統計的学習、オンライン学習、その他における繰り返しのテーマは、低騒音の問題に対してより速い収束率が可能であることである。 1次保証は統計的およびオンライン学習において比較的よく理解されている。三角識別と呼ばれる対数損失と情報理論量が一階保証を得る上で基本的な役割を担っていることを示す。
論文参考訳（メタデータ） (2021-07-05T19:20:34Z)
Metrics and methods for a systematic comparison of fairness-aware machine learning algorithms [0.0]
この研究はこの種の最も包括的なものである。フェアネス、予測性能、キャリブレーション品質、28種類のモデリングパイプラインの速度を考慮に入れている。また,フェアネスを意識したアルゴリズムは,予測力の低下を伴わずにフェアネスを誘導できることがわかった。
論文参考訳（メタデータ） (2020-10-08T13:58:09Z)
Algorithmic Decision Making with Conditional Fairness [48.76267073341723]
条件付きフェアネスを、条件付きフェアネス変数の条件付けにより、より健全なフェアネス計量として定義する。本稿では,アルゴリズム決定の精度と公平性のトレードオフを追跡するために,導出条件公正規則化器(DCFR)を提案する。
論文参考訳（メタデータ） (2020-06-18T12:56:28Z)

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。