論文の概要: Learning Fair Policies for Multi-stage Selection Problems from Observational Data

• arxiv url: http://arxiv.org/abs/2312.13173v1
• Date: Wed, 20 Dec 2023 16:33:15 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-21 14:53:54.070725
• Title: Learning Fair Policies for Multi-stage Selection Problems from Observational Data
• Title（参考訳）: 観測データによる多段階選択問題の学習フェアポリシー
• Authors: Zhuangzhuang Jia, Grani A. Hanasusanto, Phebe Vayanos and Weijun Xie
• Abstract要約: 我々は、観測データから多段階選択問題に対する公正なポリシーを学習する問題を考察する。 この問題は、企業の雇用、ローン承認、または、選択された結果のみが観察されるような保釈決定など、いくつかの高い評価の領域で発生する。 本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.282745020665833
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of learning fair policies for multi-stage selection problems from observational data. This problem arises in several high-stakes domains such as company hiring, loan approval, or bail decisions where outcomes (e.g., career success, loan repayment, recidivism) are only observed for those selected. We propose a multi-stage framework that can be augmented with various fairness constraints, such as demographic parity or equal opportunity. This problem is a highly intractable infinite chance-constrained program involving the unknown joint distribution of covariates and outcomes. Motivated by the potential impact of selection decisions on people's lives and livelihoods, we propose to focus on interpretable linear selection rules. Leveraging tools from causal inference and sample average approximation, we obtain an asymptotically consistent solution to this selection problem by solving a mixed binary conic optimization problem, which can be solved using standard off-the-shelf solvers. We conduct extensive computational experiments on a variety of datasets adapted from the UCI repository on which we show that our proposed approaches can achieve an 11.6% improvement in precision and a 38% reduction in the measure of unfairness compared to the existing selection policy.
• Abstract（参考訳）: 観察データから多段階選択問題に対する公平な政策の学習の問題を考える。 この問題は、企業の雇用、ローンの承認、あるいは、成果(キャリアの成功、ローンの返済、再分配など)が選ばれた場合にのみ観察されるような保釈決定など、いくつかの高い領域で発生する。 本稿では,人口格差や平等機会など,様々な公平性制約で拡張可能な多段階フレームワークを提案する。 この問題は、未知の共変量と結果のジョイント分布を含む非常に難解な無限の確率制約付きプログラムである。 選択決定が人々の生活や生活に与える影響を動機付け, 解釈可能な線形選択規則に着目することを提案する。 因果推論とサンプル平均近似のツールを活用して, 標準解法を用いて解くことができる混合二項円錐最適化問題を解くことにより, この選択問題に対する漸近的一貫性のある解を求める。 UCIレポジトリから適応した様々なデータセットに関する広範な計算実験を行い、提案手法が既存の選択ポリシーと比較して11.6%の精度向上と38%の不公平度を達成できることを示した。

関連論文リスト

• Illuminating the Diversity-Fitness Trade-Off in Black-Box Optimization [9.838618121102053]
  現実世界のアプリケーションでは、ユーザーは1つの高品質なソリューションよりも構造的に多様な設計選択を好むことが多い。 本稿では, この課題に対する新たな視点として, 与えられたしきい値を超えるペア距離の一定数の解を同定する問題を考察する。
  論文  参考訳（メタデータ） (2024-08-29T09:55:55Z)
• Best Arm Identification with Fixed Budget: A Large Deviation Perspective [54.305323903582845]
  我々は、様々な武器の報酬間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。 特に、様々な武器の報酬の間の経験的ギャップに基づいて、あらゆるラウンドで腕を拒絶できる真に適応的なアルゴリズムであるsredを提示する。
  論文  参考訳（メタデータ） (2023-12-19T13:17:43Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints [76.84999501420938]
  対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。 目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
  論文  参考訳（メタデータ） (2023-06-23T18:57:14Z)
• Improving Probability-based Prompt Selection Through Unified Evaluation and Analysis [52.04932081106623]
  本稿では,既存の確率ベースプロンプト選択手法を解釈し,評価する統合フレームワークを提案する。 既存の手法は入力と予測出力(MI)の相互情報を最大化する手法の変種と解釈できることがわかった。 そこで本研究では,既存の手法であるCBM(Marginalization)と呼ばれる新しい校正手法を提案し,最良の方法の迅速な選択効率を96.85%に向上させるとともに,校正を行なわない託宣F1の99.44%を達成している。
  論文  参考訳（メタデータ） (2023-05-24T08:29:50Z)
• In Search of Insights, Not Magic Bullets: Towards Demystification of the Model Selection Dilemma in Heterogeneous Treatment Effect Estimation [92.51773744318119]
  本稿では,異なるモデル選択基準の長所と短所を実験的に検討する。 選択戦略,候補推定器,比較に用いるデータの間には,複雑な相互作用があることを強調した。
  論文  参考訳（メタデータ） (2023-02-06T16:55:37Z)
• Bi-objective Ranking and Selection Using Stochastic Kriging [0.0]
  両目的のランク付けと選択の問題について検討し,その2つの目的が不確実性をもって観測された。 そこで本研究では,競合する解に対して逐次サンプルを割り当てるバイーシアン双対象ランクと選別法を提案する。 実験結果から,提案手法は標準的なアロケーション手法よりも優れており,また,よく知られた最先端のアルゴリズムも優れていることがわかった。
  論文  参考訳（メタデータ） (2022-09-05T23:51:07Z)
• Variance-Reduced Heterogeneous Federated Learning via Stratified Client Selection [31.401919362978017]
  本稿では,収束性の向上と精度の向上を図るため,新たな階層化クライアント選択方式を提案する。 地層変動の多様性を考慮し,最適化されたサンプルサイズ割当方式を提案する。 実験結果から,本手法は最先端の手法と比較して性能が向上するだけでなく,一般的なFLアルゴリズムと互換性があることが確認された。
  論文  参考訳（メタデータ） (2022-01-15T05:41:36Z)
• Model Selection in Batch Policy Optimization [88.52887493684078]
  バッチポリシー最適化におけるモデル選択の問題について検討する。 我々は,任意のモデル選択アルゴリズムが競争力を得るために最適にトレードオフすべきという誤りの3つの源を同定する。
  論文  参考訳（メタデータ） (2021-12-23T02:31:50Z)
• Fair Incentives for Repeated Engagement [0.46040036610482665]
  我々は、参加決定が受け取ったインセンティブに依存するエージェントに直面する場合、維持のための最適な金融インセンティブスキームを見つけるという課題について検討する。 明示的な差別がなくても、システムの種類構成を変化させることで、ポリシーが無意識に異なるタイプのエージェントを識別できることが示される。
  論文  参考訳（メタデータ） (2021-10-28T04:13:53Z)
• Robust Active Preference Elicitation [10.961537256186498]
  ペアワイズ比較クエリを適度に数えることで、意思決定者の好みを抽出する問題について検討する。 私たちは、不足するリソースを割り当てるためのポリシーを選択する場合など、高利害ドメインのアプリケーションによって動機付けられています。
  論文  参考訳（メタデータ） (2020-03-04T05:24:08Z)

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。