論文の概要: Long-term Fairness For Real-time Decision Making: A Constrained Online Optimization Approach

• arxiv url: http://arxiv.org/abs/2401.02552v1
• Date: Thu, 4 Jan 2024 21:55:50 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-08 16:40:25.001039
• Title: Long-term Fairness For Real-time Decision Making: A Constrained Online Optimization Approach
• Title（参考訳）: リアルタイム意思決定のための長期公正性:制約付きオンライン最適化アプローチ
• Authors: Ruijie Du, Deepan Muthirayan, Pramod P. Khargonekar and Yanning Shen
• Abstract要約: 本稿では,時間変動公正性制約を特徴とする動的意思決定システムにおける長期公正性の確保のための枠組みを提案する。 LoTFairと呼ばれる新しいオンラインアルゴリズムが提示され、"オンザフライ"という問題を解決する。
• 参考スコア（独自算出の注目度）: 14.098628848491146
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning (ML) has demonstrated remarkable capabilities across many real-world systems, from predictive modeling to intelligent automation. However, the widespread integration of machine learning also makes it necessary to ensure machine learning-driven decision-making systems do not violate ethical principles and values of society in which they operate. As ML-driven decisions proliferate, particularly in cases involving sensitive attributes such as gender, race, and age, to name a few, the need for equity and impartiality has emerged as a fundamental concern. In situations demanding real-time decision-making, fairness objectives become more nuanced and complex: instantaneous fairness to ensure equity in every time slot, and long-term fairness to ensure fairness over a period of time. There is a growing awareness that real-world systems that operate over long periods and require fairness over different timelines. However, existing approaches mainly address dynamic costs with time-invariant fairness constraints, often disregarding the challenges posed by time-varying fairness constraints. To bridge this gap, this work introduces a framework for ensuring long-term fairness within dynamic decision-making systems characterized by time-varying fairness constraints. We formulate the decision problem with fairness constraints over a period as a constrained online optimization problem. A novel online algorithm, named LoTFair, is presented that solves the problem 'on the fly'. We prove that LoTFair can make overall fairness violations negligible while maintaining the performance over the long run.
• Abstract（参考訳）: 機械学習(ML)は、予測モデリングからインテリジェントオートメーションまで、多くの現実世界のシステムで顕著な機能を示している。 しかし、機械学習の広範な統合は、機械学習駆動の意思決定システムが、彼らが運営する社会の倫理的原則や価値観に違反しないことを保証する必要もある。 MLが主導する決定が、特に性別、人種、年齢などのセンシティブな属性が関係する場合には、いくつかの例を挙げると、公平性や公平性の必要性が根本的な懸念として現れている。 リアルタイムな意思決定を必要とする状況では、公平さの目標はより曖昧で複雑になり、時間帯ごとに公平性を確保するための即時公正と、一定期間にわたって公平性を確保するための長期的な公正である。 長期にわたって運用し、異なるタイムラインに対して公平性を必要とする現実世界のシステムに対する認識が高まっている。 しかし、既存のアプローチは主に時間不変公正制約による動的コストに対処し、時間不変公正制約による課題を無視することが多い。 このギャップを埋めるために、この研究は時間変動公正性制約を特徴とする動的意思決定システムにおける長期公正性を保証するための枠組みを導入する。 制約付きオンライン最適化問題として,一定期間の公平性制約で決定問題を定式化する。 lotfairと呼ばれる新しいオンラインアルゴリズムが提示され、'オンザフライ'の問題を解く。 LoTFairは、長期にわたってパフォーマンスを維持しながら、全体的な公平性違反を無視できることを示す。

関連論文リスト

• Machine Learning for Equitable Load Shedding: Real-time Solution via Learning Binding Constraints [1.3345486884341395]
  最適化に基づく負荷層問題に対するミリ秒単位の計算を可能にする効率的な機械学習アルゴリズムを提案する。 3バス玩具の例と現実的なRTS-GMLCシステムの両方に関する数値的研究により,提案アルゴリズムの有効性と有効性を示した。
  論文  参考訳（メタデータ） (2024-07-25T08:47:11Z)
• The Impossibility of Fair LLMs [59.424918263776284]
  大規模言語モデル(LLM)の時代において、公正なAIの必要性はますます明確になっている。 我々は、機械学習研究者が公正性を評価するために使った技術フレームワークについてレビューする。 我々は、特定のユースケースにおける公平性を達成するためのより現実的な目標のためのガイドラインを策定する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• Fair Enough? A map of the current limitations of the requirements to have fair algorithms [43.609606707879365]
  我々は、社会が自動意思決定システムから要求しているものと、この要求が現実のシナリオで実際に意味しているものとの間には、因果関係があることを論じる。 自動意思決定システムにおける公正性の増大に具体的な意味を与えるため、社会として対応しなければならない重要なオープンポイントの集合を概説する。
  論文  参考訳（メタデータ） (2023-11-21T08:44:38Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• 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)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• 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)
• Fairness in Machine Learning [15.934879442202785]
  因果ベイズネットワークが,公平を理屈し対処するための重要な役割を果たすことを示す。 異なる設定や公平性基準に対処できる手法を含む統一されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-31T18:38:58Z)
• Group-Fair Online Allocation in Continuous Time [27.32936573198251]
  公平性を考慮した継続的オンライン学習問題を考察する。 この定式化は、報酬最大化、最大値フェア、比例値アロケーションルールを回復させる。 本稿では,時間平均に対する二段階最適化に基づく新しいオンライン学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-06-11T21:56:53Z)
• On Consequentialism and Fairness [64.35872952140677]
  機械学習におけるフェアネスの共通定義について、逐次的批判を行う。 学習とランダム化の問題に関するより広範な議論で締めくくります。
  論文  参考訳（メタデータ） (2020-01-02T05:39:48Z)

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。