Fugu-MT 論文翻訳(概要): Observing Context Improves Disparity Estimation when Race is Unobserved

論文の概要: Observing Context Improves Disparity Estimation when Race is Unobserved

arxiv url: http://arxiv.org/abs/2409.01984v1
Date: Tue, 3 Sep 2024 15:26:05 GMT
ステータス: 処理完了
システム内更新日: 2024-09-06 00:50:24.728739
Title: Observing Context Improves Disparity Estimation when Race is Unobserved
Title（参考訳）: コンテキストのオブザービングは、レースが観測されない場合の異質度推定を改善する
Authors: Kweku Kwegyir-Aggrey, Naveen Durvasula, Jennifer Wang, Suresh Venkatasubramanian,
Abstract要約: 文脈的特徴を取り入れた2つの新しい文脈的プロキシモデルを導入する。これらのアルゴリズムは,実世界の住宅ローンと有権者データに対する格差を推定する上で,大幅な性能向上を示す。
参考スコア（独自算出の注目度）: 9.544646544404571
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In many domains, it is difficult to obtain the race data that is required to estimate racial disparity. To address this problem, practitioners have adopted the use of proxy methods which predict race using non-protected covariates. However, these proxies often yield biased estimates, especially for minority groups, limiting their real-world utility. In this paper, we introduce two new contextual proxy models that advance existing methods by incorporating contextual features in order to improve race estimates. We show that these algorithms demonstrate significant performance improvements in estimating disparities on real-world home loan and voter data. We establish that achieving unbiased disparity estimates with contextual proxies relies on mean-consistency, a calibration-like condition.
Abstract（参考訳）: 多くの領域では、人種格差を推定するために必要な人種データを得るのは難しい。この問題に対処するため、実践者は、保護されていない共変量を用いて競合を予測するプロキシメソッドを採用した。しかし、これらのプロキシは、特に少数派に対して偏りのある見積もりをもたらし、現実の効用を制限している。本稿では,既存の手法を進化させる2つの新しい文脈プロキシモデルを提案する。これらのアルゴリズムは,実世界の住宅ローンと有権者データに対する格差を推定する上で,大幅な性能向上を示す。文脈的プロキシによる不偏差推定の達成は平均整合性(キャリブレーションのような条件)に依存している。

関連論文リスト

Improving the Fairness of Deep-Learning, Short-term Crime Prediction with Under-reporting-aware Models [1.1062397685574308]
本稿では,予測公正性を高めるために2つのアプローチのパワーを組み合わせた新しいディープラーニングアーキテクチャを提案する。提案手法は, 内処理脱バイアスモデルと比較して, 犯罪予測の公平性を向上することを示す。
論文参考訳（メタデータ） (2024-06-06T04:05:23Z)
Leveraging Prototypical Representations for Mitigating Social Bias without Demographic Information [50.29934517930506]
DAFairは、言語モデルにおける社会的バイアスに対処する新しいアプローチである。偏見を緩和するために、原型的人口統計テキストを活用し、微調整プロセス中に正規化用語を取り入れる。
論文参考訳（メタデータ） (2024-03-14T15:58:36Z)
Parametric Fairness with Statistical Guarantees [0.46040036610482665]
我々は、予測に分布特性を組み込むためのデモグラフィックパリティの概念を拡張し、専門家の知識を公正なソリューションで利用できるようにする。我々は、賃金の実践的な例を通して、この新しい指標の使用を説明し、実践的な課題に効率的に対処するパラメトリック手法を開発する。
論文参考訳（メタデータ） (2023-10-31T14:52:39Z)
Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文参考訳（メタデータ） (2023-06-09T08:30:51Z)
Examining risks of racial biases in NLP tools for child protective services [78.81107364902958]
児童保護サービス(CPS)に焦点をあてる。この設定で確立された人種的偏見を考えると、NLPの展開は人種格差を増大させる可能性がある。我々は、NERモデルにおける一貫したアルゴリズムの不公平性、コア参照解決モデルにおけるアルゴリズムの不公平性、およびリスク予測における人種バイアスの悪化の証拠を文書化している。
論文参考訳（メタデータ） (2023-05-30T21:00:47Z)
Estimating Racial Disparities When Race is Not Observed [3.0931877196387196]
本稿では,人種間の格差を推定する新しいモデルについて,人種の指標変数として姓を用いて紹介する。ノースカロライナの投票者ファイルに基づく検証調査では、BISG+BIRDiEは政党登録における人種的違いを推定した場合、エラーを最大84%削減している。提案手法を適用し,米国内国歳入庁の個人レベルの税率データを用いて住宅ローン利子控除の恩恵を受ける者の人種差を推定する。
論文参考訳（メタデータ） (2023-03-05T04:46:16Z)
Canary in a Coalmine: Better Membership Inference with Ensembled Adversarial Queries [53.222218035435006]
私たちは、差別的で多様なクエリを最適化するために、逆ツールを使用します。我々の改善は既存の方法よりもはるかに正確な会員推定を実現している。
論文参考訳（メタデータ） (2022-10-19T17:46:50Z)
Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文参考訳（メタデータ） (2021-10-21T18:28:57Z)
Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文参考訳（メタデータ） (2021-09-17T13:45:46Z)
Fairness in Algorithmic Profiling: A German Case Study [0.0]
本研究では、求職者の長期失業リスクを予測するための統計モデルを比較し、評価する。これらのモデルは、競争力のある精度で長期失業を予測するために使用できることを示す。異なる分類ポリシーは、非常に異なる公平性をもたらすことを強調する。
論文参考訳（メタデータ） (2021-08-04T13:43:42Z)
Fast Fair Regression via Efficient Approximations of Mutual Information [0.0]
本稿では, 回帰モデルに対する独立性, 分離性, 充足性グループフェアネス基準の高速な近似について紹介する。正規化リスク最小化フレームワーク内で公正性を強制するために、正規化のような近似を使用する。実世界のデータセットでの実験では、計算効率が優れているにもかかわらず、我々のアルゴリズムは依然として最先端の精度/フェアネスのトレードオフを示す。
論文参考訳（メタデータ） (2020-02-14T08:50:51Z)

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。