論文の概要: Uncovering Algorithmic Discrimination: An Opportunity to Revisit the Comparator

• arxiv url: http://arxiv.org/abs/2405.13693v1
• Date: Wed, 22 May 2024 14:39:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 23:45:08.041708
• Title: Uncovering Algorithmic Discrimination: An Opportunity to Revisit the Comparator
• Title（参考訳）: アルゴリズム識別の発見 : 比較器を再考する機会
• Authors: Jose M. Alvarez, Salvatore Ruggieri,
• Abstract要約: 因果推論は差別のテストにおいて中心的な役割を果たす。 差別のためのテストにおいて、カウンターファクト推論が成立する。 差分の概念から、公正性に基づいて構築されたmutatis mutandis comparatorの使用を論じる。
• 参考スコア（独自算出の注目度）: 22.596961524387233
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Causal reasoning, in particular, counterfactual reasoning plays a central role in testing for discrimination. Counterfactual reasoning materializes when testing for discrimination, what is known as the counterfactual model of discrimination, when we compare the discrimination comparator with the discrimination complainant, where the comparator is a similar (or similarly situated) profile to that of the complainant used for testing the discrimination claim of the complainant. In this paper, we revisit the comparator by presenting two kinds of comparators based on the sort of causal intervention we want to represent. We present the ceteris paribus and the mutatis mutandis comparator, where the former is the standard and the latter is a new kind of comparator. We argue for the use of the mutatis mutandis comparator, which is built on the fairness given the difference notion, for testing future algorithmic discrimination cases.
• Abstract（参考訳）: 因果推論、特に反事実推論は、差別のテストにおいて中心的な役割を果たす。 差別の検証において, 差別比較において, 差別弁別者と差別弁別者との比較において, 差別弁別者と差別弁別者が類似した(あるいは類似した位置にある)プロファイルと, 差別弁別者とを比較した場合に, 差別弁別のための検証において, いわゆる差別モデルが成立する。 本稿では,2種類のコンパレータを表現したい因果的介入に基づいて提示することで,コンパレータを再考する。 本論文では,Ceteris paribusとmutatis mutandis comparatorについて述べる。 差分概念の公正性に基づいて構築されたmutatis mutandisコンパレータを,将来的なアルゴリズムによる識別ケースのテストに利用することについて議論する。

関連論文リスト

• Compare without Despair: Reliable Preference Evaluation with Generation Separability [20.50638483427141]
  テストインスタンスがペアの選好評価にどの程度適しているかを推定する尺度であるセパビリティ(Separability)を導入する。 候補テストインスタンスでは、セパビリティは1組のモデルから複数の世代をサンプリングし、2つの世代がどの程度区別可能であるかを測定する。 実験により、分離性が高いインスタンスは、人間と自動レーダの両方からより一貫した選好格付けが得られることが示された。
  論文  参考訳（メタデータ） (2024-07-02T01:37:56Z)
• SparseCL: Sparse Contrastive Learning for Contradiction Retrieval [87.02936971689817]
  コントラディション検索(Contradiction Search)とは、クエリの内容に明示的に異を唱える文書を識別し、抽出することである。 類似性探索やクロスエンコーダモデルといった既存の手法には、大きな制限がある。 文間の微妙で矛盾したニュアンスを保存するために特別に訓練された文埋め込みを利用するSparseCLを導入する。
  論文  参考訳（メタデータ） (2024-06-15T21:57:03Z)
• Counterfactual Situation Testing: Uncovering Discrimination under Fairness given the Difference [26.695316585522527]
  本稿では,分類器の識別を行う因果データマイニングフレームワークであるCSTについて述べる。 CSTは「モデルの結果が、個人、または不平が、異なる保護された状態であったとしたら、どんな結果だったのか?
  論文  参考訳（メタデータ） (2023-02-23T11:41:21Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Reusing the Task-specific Classifier as a Discriminator: Discriminator-free Adversarial Domain Adaptation [55.27563366506407]
  非教師付きドメイン適応(UDA)のための識別器なし対向学習ネットワーク(DALN)を導入する。 DALNは、統一された目的によって明確なドメインアライメントとカテゴリの区別を達成する。 DALNは、さまざまなパブリックデータセット上の既存の最先端(SOTA)メソッドと比較して好意的に比較する。
  論文  参考訳（メタデータ） (2022-04-08T04:40:18Z)
• Instance Similarity Learning for Unsupervised Feature Representation [83.31011038813459]
  教師なし特徴表現のための例類似性学習(ISL)手法を提案する。 我々はGAN(Generative Adversarial Networks)を用いて、基礎となる特徴多様体をマイニングする。 画像分類実験は, 最先端手法と比較して, 提案手法の優位性を示した。
  論文  参考訳（メタデータ） (2021-08-05T16:42:06Z)
• One-vs.-One Mitigation of Intersectional Bias: A General Method to Extend Fairness-Aware Binary Classification [0.48733623015338234]
  1-vs.ワン・マイティゲーション(英: One-vs. One Mitigation)は、二項分類のためのフェアネス認識機械学習と、センシティブ属性に関連する各サブグループの比較プロセスである。 本手法は,すべての設定において従来の手法よりも交叉バイアスを緩和する。
  論文  参考訳（メタデータ） (2020-10-26T11:35:39Z)
• Two-Sample Testing on Ranked Preference Data and the Role of Modeling Assumptions [57.77347280992548]
  本稿では,ペアワイズ比較データとランキングデータのための2サンプル試験を設計する。 私たちのテストでは、基本的に分布に関する仮定は必要ありません。 実世界のペアワイズ比較データに2サンプルテストを適用することで、人によって提供される評価とランキングは、実際は異なる分散である、と結論付ける。
  論文  参考訳（メタデータ） (2020-06-21T20:51:09Z)
• The Benefits of Pairwise Discriminators for Adversarial Training [1.7188280334580193]
  ペアワイズ判別器を活用することで目的のファミリーを導入し、生成元のみを収束させる必要があることを示す。 我々は局所収束のための十分な条件を提供し、判別器と生成器の選択を導く能力バランスを特徴付ける。 提案手法により,より高解像度な画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2020-02-20T08:43:59Z)
• Discrimination of POVMs with rank-one effects [62.997667081978825]
  この研究は、ランクワン効果を持つ正の作用素値測度を識別する問題に関する洞察を与える。 パラレルとアダプティブの2つの予測手法を比較した。 この適応型スキームを見つけるための明示的なアルゴリズムを提供する。
  論文  参考訳（メタデータ） (2020-02-13T11:34:50Z)

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。