Fugu-MT 論文翻訳(概要): A debiasing technique for place-based algorithmic patrol management

論文の概要: A debiasing technique for place-based algorithmic patrol management

arxiv url: http://arxiv.org/abs/2401.06162v1
Date: Fri, 22 Dec 2023 15:43:24 GMT
ステータス: 翻訳完了
システム内更新日: 2024-01-22 12:51:09.460996
Title: A debiasing technique for place-based algorithmic patrol management
Title（参考訳）: 場所別アルゴリズムによるパトロール管理のためのデバイアス手法
Authors: Alexander Einarsson (1), Simen Oestmo (2), Lester Wollman (2), Duncan Purves (3), Ryan Jenkins (4) ((1) Northwestern University (2) SoundThinking Inc. (3) University of Florida (4) California Polytechnic State University)
Abstract要約: 位置対応型アルゴリズムパトロール管理システムのデバイアス化手法を提案する。本手法は, モデルに高い精度を保ちながら, 人種的に偏りのある特徴を効果的に除去することを示す。
参考スコア（独自算出の注目度）: 41.94295877935867
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, there has been a revolution in data-driven policing. With that has come scrutiny on how bias in historical data affects algorithmic decision making. In this exploratory work, we introduce a debiasing technique for place-based algorithmic patrol management systems. We show that the technique efficiently eliminates racially biased features while retaining high accuracy in the models. Finally, we provide a lengthy list of potential future research in the realm of fairness and data-driven policing which this work uncovered.
Abstract（参考訳）: 近年、データ駆動型警察に革命が起こった。これにより、履歴データのバイアスがアルゴリズムによる意思決定にどのように影響するかが調査されるようになった。本稿では,位置対応型アルゴリズムパトロール管理システムのデバイアス化手法を提案する。本手法は, モデルに高い精度を保ちながら, 人種的に偏りのある特徴を効率的に除去することを示す。最後に、この研究が発見した公正性とデータ駆動ポリシングの領域における将来の潜在的な研究の長いリストを提供する。

関連論文リスト

Debiasing Machine Unlearning with Counterfactual Examples [31.931056076782202]
我々は、未学習プロセスの背後にある因果要因を分析し、データレベルとアルゴリズムレベルでバイアスを軽減する。バイアスのあるデータセットによって、忘れるべき知識が消去される、介入に基づくアプローチを導入する。本手法は,評価指標に基づく既存の機械学習ベースラインよりも優れる。
論文参考訳（メタデータ） (2024-04-24T09:33:10Z)
The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
論文参考訳（メタデータ） (2024-01-16T19:16:22Z)
Iteratively Refined Behavior Regularization for Offline Reinforcement Learning [57.10922880400715]
本稿では,保守的政策反復に基づく行動規則化を大幅に強化する新しいアルゴリズムを提案する。行動規則化に使用される基準ポリシーを反復的に洗練することにより、保守的な政策更新は徐々に改善される。 D4RLベンチマークの実験結果から,本手法は従来のタスクのベースラインよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2023-06-09T07:46:24Z)
AWD3: Dynamic Reduction of the Estimation Bias [0.0]
本稿では,経験再生機構を用いた非政治連続制御アルゴリズムにおける推定バイアスを除去する手法を提案する。 OpenAIのジムの継続的な制御環境を通じて、我々のアルゴリズムは、最先端の政治政策勾配学習アルゴリズムにマッチするか、より優れています。
論文参考訳（メタデータ） (2021-11-12T15:46:19Z)
Adaptive Data Debiasing through Bounded Exploration and Fairness [19.082622108240585]
アルゴリズム決定規則の訓練に使用される既存のデータセットのバイアスは、倫理的、社会的、経済的懸念を提起する。本稿では,適応探索と有界探索により,これらのデータセットを逐次デバイアスするアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-10-25T15:50:10Z)
Algorithms are not neutral: Bias in collaborative filtering [0.0]
アルゴリズムバイアスの議論は、データまたはアルゴリズムを構築している人々が偏っている例に焦点を当てる傾向がある。これは、人気に悩まされ、バイアスを均質化することで知られる協調フィルタリングの例で示される。人気と均質化バイアスは、すでに限界を更に限界化させる効果があります。
論文参考訳（メタデータ） (2021-05-03T17:28:43Z)
On the Verification and Validation of AI Navigation Algorithms [0.22509387878255815]
我々は,自律航法と衝突回避のための新しいアルゴリズムを提案する研究を行うために,系統地図研究を行う。これらのアルゴリズムに適用した検証手法と検証手法を抽出した。本論文では,ナビゲーションアルゴリズムを幅広く検証するための体系的シナリオベースのテスト手法を提案する。
論文参考訳（メタデータ） (2021-01-15T13:15:23Z)
Discovering Reinforcement Learning Algorithms [53.72358280495428]
強化学習アルゴリズムは、いくつかのルールの1つに従ってエージェントのパラメータを更新する。本稿では,更新ルール全体を検出するメタラーニング手法を提案する。これには、一連の環境と対話することで、"何を予測するか"(例えば、値関数)と"どのように学習するか"の両方が含まれている。
論文参考訳（メタデータ） (2020-07-17T07:38:39Z)
Towards causal benchmarking of bias in face analysis algorithms [54.19499274513654]
顔分析アルゴリズムのアルゴリズムバイアスを測定する実験手法を開発した。提案手法は,一致したサンプル画像の合成トランスクター'を生成することに基づく。性別分類アルゴリズムの偏見を従来の観察法を用いて分析することにより,本手法の有効性を検証した。
論文参考訳（メタデータ） (2020-07-13T17:10:34Z)
Optimizing for the Future in Non-Stationary MDPs [52.373873622008944]
本稿では,今後の性能予測を最大化するポリシ勾配アルゴリズムを提案する。我々のアルゴリズムであるPrognosticatorは2つのオンライン適応手法よりも非定常性に頑健であることを示す。
論文参考訳（メタデータ） (2020-05-17T03:41:19Z)

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。