Fugu-MT 論文翻訳(概要): Scarce Resource Allocations That Rely On Machine Learning Should Be Randomized

論文の概要: Scarce Resource Allocations That Rely On Machine Learning Should Be Randomized

arxiv url: http://arxiv.org/abs/2404.08592v3
Date: Wed, 19 Jun 2024 15:53:11 GMT
ステータス: 処理完了
システム内更新日: 2024-06-22 04:18:42.253207
Title: Scarce Resource Allocations That Rely On Machine Learning Should Be Randomized
Title（参考訳）: 機械学習に頼ったリソースの割り当てはランダムにすべき
Authors: Shomik Jain, Kathleen Creel, Ashia Wilson,
Abstract要約: 本稿では,機械学習を用いて少ない資源を割当てることがしばしばランダム性を必要とすることを論じる。我々は、個人が社会財や機会を割り当てなければならないという主張を、より適切に考慮する手順を提案する。
参考スコア（独自算出の注目度）: 0.5411934874283544
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Contrary to traditional deterministic notions of algorithmic fairness, this paper argues that fairly allocating scarce resources using machine learning often requires randomness. We address why, when, and how to randomize by proposing stochastic procedures that more adequately account for all of the claims that individuals have to allocations of social goods or opportunities.
Abstract（参考訳）: アルゴリズムフェアネスの伝統的な決定論的概念とは対照的に、機械学習を用いて不足資源を割当するにはランダム性を必要とすることが多い、と本論文は主張する。個人がソーシャルグッズや機会を割り当てなければならないという主張を、より適切に考慮する確率的手続きを提案することによって、なぜ、いつ、どのようにランダム化するかに対処する。

関連論文リスト

Learning Fair and Preferable Allocations through Neural Network [24.15688619889342]
我々は、専門家の知識を複製することで、優れた特性を厳密に満たすメカニズムを設計することを目指している。形式的アルゴリズムは望ましい結果を見つけるのに苦労し、これらの暗黙の規則を直接複製することは不公平な割り当てをもたらす。我々は、RRをパラメータ化し、RRに使用するエージェント注文を学習できるようにトレーニングできるニューラルネットワークを開発した。
論文参考訳（メタデータ） (2024-10-23T01:47:55Z)
Beyond Expectations: Learning with Stochastic Dominance Made Practical [88.06211893690964]
支配は、不確実な結果で意思決定を行うためのリスク-逆の選好をモデル化する。理論上は魅力的だが、機械学習における優位性の応用は乏しい。まず支配の概念を一般化し、任意の確率変数の任意のペア間の比較を可能にする。次に、優位性の観点から最適解を見つけるための単純で効率的なアプローチを開発する。
論文参考訳（メタデータ） (2024-02-05T03:21:23Z)
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)
Fairness and Randomness in Machine Learning: Statistical Independence and Relativization [10.482805367361818]
我々は、機械学習で日常的に使われている公平性とランダム性の概念における統計的独立性の役割を識別する。我々は、ランダム性と公正性は、機械学習におけるモデリング仮定として、その性質を反映すべきであると主張している。
論文参考訳（メタデータ） (2022-07-27T15:55:05Z)
Online Learning of Competitive Equilibria in Exchange Economies [94.24357018178867]
経済学では、複数の有理エージェント間の資源不足の共有は古典的な問題である。エージェントの好みを学習するためのオンライン学習機構を提案する。数値シミュレーションにより,本機構の有効性を実証する。
論文参考訳（メタデータ） (2021-06-11T21:32:17Z)
Causally-motivated Shortcut Removal Using Auxiliary Labels [63.686580185674195]
このようなリスク不変予測器の学習に重要な課題はショートカット学習である。この課題に対処するために、フレキシブルで因果的なアプローチを提案する。この因果的動機付けされた正規化スキームが堅牢な予測子を生み出すことを理論的および実証的に示す。
論文参考訳（メタデータ） (2021-05-13T16:58:45Z)
Distributive Justice and Fairness Metrics in Automated Decision-making: How Much Overlap Is There? [0.0]
機会の平等を実践する指標は、資源割り当てが保存性に基づいている場合にのみ適用されるが、アロケーションが平等主義、十分性、優先順位に関する懸念を反映すべきときに失敗することを示す。予測タスクと意思決定タスクをきれいに区別することで、公平な機械学習の研究は分散的正義に関する豊かな文献をよりうまく活用できると論じている。
論文参考訳（メタデータ） (2021-05-04T12:09:26Z)
Online Learning Demands in Max-min Fairness [91.37280766977923]
本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
論文参考訳（メタデータ） (2020-12-15T22:15:20Z)
A Note on High-Probability versus In-Expectation Guarantees of Generalization Bounds in Machine Learning [95.48744259567837]
統計的機械学習理論は、しばしば機械学習モデルの一般化を保証するよう試みる。機械学習モデルのパフォーマンスに関する声明は、サンプリングプロセスを考慮する必要がある。 1つのステートメントを別のステートメントに変換する方法を示します。
論文参考訳（メタデータ） (2020-10-06T09:41:35Z)
Private Machine Learning via Randomised Response [18.770059489501367]
ランダムな応答に基づくプライベート機械学習のための一般学習フレームワークを提案する。私たちの仮定では、すべてのアクターは潜在的に敵対的であり、個々のデータポイントのノイズの多いバージョンをリリースするだけで信頼できます。
論文参考訳（メタデータ） (2020-01-14T17:56:16Z)

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。