論文の概要: 15 Years of Algorithmic Fairness -- Scoping Review of Interdisciplinary Developments in the Field
- arxiv url: http://arxiv.org/abs/2408.01448v1
- Date: Tue, 23 Jul 2024 07:50:01 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-19 04:59:02.232816
- Title: 15 Years of Algorithmic Fairness -- Scoping Review of Interdisciplinary Developments in the Field
- Title（参考訳）: アルゴリズムフェアネスの15年 -- 分野における学際的発展のスコーピング・レビュー
- Authors: Daphne Lenders, Anne Oloo,
- Abstract要約: 本稿では,過去15年間のアルゴリズムフェアネス研究のスコーピングレビューについて述べる。
あらゆる記事は、コンピュータ科学と法学の分野から来ており、集団に差別的影響を与える可能性のあるAIアルゴリズムに焦点を当てている。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This paper presents a scoping review of algorithmic fairness research over the past fifteen years, utilising a dataset sourced from Web of Science, HEIN Online, FAccT and AIES proceedings. All articles come from the computer science and legal field and focus on AI algorithms with potential discriminatory effects on population groups. Each article is annotated based on their discussed technology, demographic focus, application domain and geographical context. Our analysis reveals a growing trend towards specificity in addressed domains, approaches, and demographics, though a substantial portion of contributions remains generic. Specialised discussions often concentrate on gender- or race-based discrimination in classification tasks. Regarding the geographical context of research, the focus is overwhelming on North America and Europe (Global North Countries), with limited representation from other regions. This raises concerns about overlooking other types of AI applications, their adverse effects on different types of population groups, and the cultural considerations necessary for addressing these problems. With the help of some highlighted works, we advocate why a wider range of topics must be discussed and why domain-, technological, diverse geographical and demographic-specific approaches are needed. This paper also explores the interdisciplinary nature of algorithmic fairness research in law and computer science to gain insight into how researchers from these fields approach the topic independently or in collaboration. By examining this, we can better understand the unique contributions that both disciplines can bring.
- Abstract（参考訳）: 本稿では,Web of Science, HEIN Online, FAccT, AIESから得られたデータセットを利用して,過去15年間のアルゴリズムフェアネス研究のスコーピングレビューを行う。
あらゆる記事は、コンピュータ科学と法学の分野から来ており、集団に差別的影響を与える可能性のあるAIアルゴリズムに焦点を当てている。
それぞれの記事は、議論された技術、人口統計、アプリケーションドメイン、地理的コンテキストに基づいて注釈付けされている。
我々の分析では、対処されたドメイン、アプローチ、人口統計学における特異性への傾向が明らかにされているが、貢献のかなりの部分は依然として一般的である。
専門的な議論は、しばしば分類タスクにおける性別や人種に基づく差別に焦点を当てる。
研究の地理的文脈については、北アメリカとヨーロッパ(グローバル・ノース・カウンティズ)に圧倒的な焦点が当てられ、他の地域からの限定的な表現がある。
これは、他のタイプのAIアプリケーションを見落とし、異なるタイプの集団に悪影響を及ぼし、これらの問題に対処するために必要な文化的配慮について懸念を提起する。
強調された作品の助けを借りて、なぜ広範囲のトピックが議論されるべきなのか、なぜドメイン、技術、多様な地理的、人口統計学的アプローチが必要なのかを論じる。
また、法学・計算機科学におけるアルゴリズムフェアネス研究の学際的性質を考察し、これらの分野の研究者が個別に、あるいは共同でどのようにトピックにアプローチするかについて考察する。
これを調べることで、両方の規律がもたらすユニークな貢献をよりよく理解できます。
関連論文リスト
- Open Challenges on Fairness of Artificial Intelligence in Medical Imaging Applications [3.8236840661885485]
この章ではまず、データ収集、モデルトレーニング、臨床展開など、さまざまなバイアス源について論じている。
そして、研究者や実践者からの注意を必要とすると信じているオープンな課題について議論する。
論文 参考訳（メタデータ） (2024-07-24T02:41:19Z) - Ontology Embedding: A Survey of Methods, Applications and Resources [54.3453925775069]
オントロジはドメイン知識とメタデータを表現するために広く使われている。
1つの簡単な解決策は、統計分析と機械学習を統合することである。
埋め込みに関する多くの論文が出版されているが、体系的なレビューの欠如により、研究者はこの分野の包括的な理解を妨げている。
論文 参考訳（メタデータ） (2024-06-16T14:49:19Z) - Approaches to the Algorithmic Allocation of Public Resources: A
Cross-disciplinary Review [0.0]
我々は,アルゴリズム割り当ての異なる分野に対するアプローチを理解するために,クロスディシプリナ文献レビューを行った。
最適化目標、テクニック、解釈可能性、柔軟性、バイアス、倫理的考慮、パフォーマンスのレンズから75の論文を分析した。
最適化手法は待ち時間を減らし、成功率を最大50%向上させる。
論文 参考訳（メタデータ） (2023-10-10T09:46:01Z) - Fairness meets Cross-Domain Learning: a new perspective on Models and
Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。
いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。
本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文 参考訳（メタデータ） (2023-03-25T09:34:05Z) - Towards Algorithmic Fairness in Space-Time: Filling in Black Holes [15.207186850253388]
地理空間的・時間的バイアスの定量化と対処におけるユニークな課題を強調した。
これらの課題を克服するために開発または適応する必要があるML戦略のロードマップを構想する。
論文 参考訳（メタデータ） (2022-11-08T21:36:22Z) - FairSNA: Algorithmic Fairness in Social Network Analysis [17.39106091928567]
ソーシャルネットワークの構造的バイアスが、さまざまな方法の公平性にどのように影響するかを強調します。
我々は、異なるSNA問題に対して、ネットワーク構造に基づくソリューションを提案しながら考慮すべき公平性について論じる。
フェアネスとSNAのギャップを埋めるために研究者の注意を必要とする様々なオープンな研究の方向性を強調した。
論文 参考訳（メタデータ） (2022-09-04T19:11:38Z) - Fairness in Recommender Systems: Research Landscape and Future
Directions [119.67643184567623]
本稿は,近年の地域におけるフェアネスの概念と概念について概観する。
この分野での研究が現在どのように行われているのかを概観する。
全体として、最近の研究成果の分析は、ある研究のギャップを示している。
論文 参考訳（メタデータ） (2022-05-23T08:34:25Z) - Fine-Grained Image Analysis with Deep Learning: A Survey [146.22351342315233]
きめ細かい画像解析(FGIA)は、コンピュータビジョンとパターン認識における長年の根本的な問題である。
本稿では、FGIAの分野を再定義し、FGIAの2つの基礎研究領域、細粒度画像認識と細粒度画像検索を統合することで、FGIAの分野を広げようとしている。
論文 参考訳（メタデータ） (2021-11-11T09:43:56Z) - Domain Generalization: A Survey [146.68420112164577]
ドメイン一般化(DG)は、モデル学習にソースドメインデータを使用するだけでOOD一般化を実現することを目的としています。
初めて、DGの10年の開発をまとめるために包括的な文献レビューが提供されます。
論文 参考訳（メタデータ） (2021-03-03T16:12:22Z) - A Survey of Embedding Space Alignment Methods for Language and Knowledge
Graphs [77.34726150561087]
単語,文,知識グラフの埋め込みアルゴリズムに関する現在の研究状況について調査する。
本稿では、関連するアライメント手法の分類と、この研究分野で使用されるベンチマークデータセットについて論じる。
論文 参考訳（メタデータ） (2020-10-26T16:08:13Z) - No computation without representation: Avoiding data and algorithm
biases through diversity [11.12971845021808]
学術的および専門的なコンピューティング分野における多様性の欠如と、データセットで発生するバイアスのタイプと幅の関連性を引き合いに出す。
これらの教訓を利用して、コンピューティングコミュニティが多様性を高めるための具体的なステップを提供するレコメンデーションを開発する。
論文 参考訳（メタデータ） (2020-02-26T23:07:39Z)
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。