論文の概要: Don't Trust A Single Gerrymandering Metric
- arxiv url: http://arxiv.org/abs/2409.17186v1
- Date: Wed, 25 Sep 2024 02:40:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-11-06 16:40:36.778375
- Title: Don't Trust A Single Gerrymandering Metric
- Title（参考訳）: シングルジェリーマンダーのメトリクスを信用するな
- Authors: Thomas Ratliff, Stephanie Somersille, Ellen Veomett,
- Abstract要約: これらの指標のそれぞれが,ゲーリーマンダリングを検出するために,単一の孤立量として使用する場合,ゲーム可能であることを示す。
我々は,山登り法を用いて,メートル法上の境界に制約された地区計画を生成するとともに,当事者が獲得した地区数を最大又はほぼ最大化する。
これらの結果の明らかな結果の1つは、ゲーリーマンダリングを避けるために、再分権委員会が満たさなければならないメートル法上の事前境界を指定することの事実を示すことである。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In recent years, in an effort to promote fairness in the election process, a wide variety of techniques and metrics have been proposed to determine whether a map is a partisan gerrymander. The most accessible measures, requiring easily obtained data, are metrics such as the Mean-Median Difference, Efficiency Gap, Declination, and GEO metric. But for most of these metrics, researchers have struggled to describe, given no additional information, how a value of that metric on a single map indicates the presence or absence of gerrymandering. Our main result is that each of these metrics is gameable when used as a single, isolated quantity to detect gerrymandering (or the lack thereof). That is, for each of the four metrics, we can find district plans for a given state with an extremely large number of Democratic-won (or Republican-won) districts while the metric value of that plan falls within a reasonable, predetermined bound. We do this by using a hill-climbing method to generate district plans that are constrained by the bounds on the metric but also maximize or nearly maximize the number of districts won by a party. In addition, extreme values of the Mean-Median Difference do not necessarily correspond to maps with an extreme number of districts won. Thus, the Mean- Median Difference metric is particularly misleading, as it cannot distinguish more extreme maps from less extreme maps. The other metrics are more nuanced, but when assessed on an ensemble, none perform substantially differently from simply measuring number of districts won by a fixed party. One clear consequence of these results is that they demonstrate the folly of specifying a priori bounds on a metric that a redistricting commission must meet in order to avoid gerrymandering.
- Abstract（参考訳）: 近年, 選挙プロセスにおける公平性を促進するために, 地図がパルチザンジェリーマンダーであるか否かを判断するために, 様々な手法や指標が提案されている。
入手しやすいデータを必要とする最もアクセシブルな尺度は、平均メディア差、効率ギャップ、デクリエーション、GEOメトリックなどである。
しかし、これらの指標のほとんどについて、研究者は追加の情報や、1つの地図上のその指標の価値がゲーリーマンダリングの存在の有無を示す方法を説明するのに苦労してきた。
主な結果は、これらの指標がゲーリーマンダリング(またはその欠如)を検出するために単一の孤立した量として使用される場合、それぞれがゲーム可能であることです。
すなわち、4つの指標のそれぞれについて、非常に多くの民主党・ウォン(あるいは共和党・ウォン)地区がある州の地区計画を見つけることができるが、その計画のメートル法値は合理的で所定の範囲に収まる。
我々は,山登り法を用いて,メートル法上の境界に制約された地区計画を生成するとともに,当事者が獲得した地区数を最大又はほぼ最大化する。
加えて、平均媒介差の極端な値は、必ずしも極度に多くの地区が当選した地図に対応するとは限らない。
したがって、平均中間差分計量は、より極端な写像とより極端な写像を区別できないため、特に誤解を招く。
他の指標はよりニュアンスが高いが、アンサンブルで評価されると、固定政党が獲得した地区の数を単に測定するのとは大きく異なる。
これらの結果の明らかな結果の1つは、ゲーリーマンダリングを避けるために、再制限委員会が満たさなければならないメートル法上の事前境界を規定することの愚かさを示すことである。
関連論文リスト
- Bounds and Bugs: The Limits of Symmetry Metrics to Detect Partisan Gerrymandering [0.0]
我々は,パルチザンジェリーマンダー検出のための2つの対称性指標を検討する:平均メディア差(MM)とパルチザンバイアス(PB)
我々はまず、パルチザンのゲリマンダーの基礎は、好む党が極端に多くの議席を獲得するように地図を描くことであると断言する。
論文 参考訳（メタデータ） (2024-06-18T00:39:30Z) - Comparing Voting Districts with Uncertain Data Envelopment Analysis [0.0]
ジェリーマンダーリングの投票地区は現代アメリカ社会の最も健全な関心事の1つである。
本研究では、不確実なデータ包絡分析を用いて、様々なメトリクスのマップを評価する方法を示す。
論文 参考訳（メタデータ） (2022-09-02T20:12:27Z) - Untangling the Dueling Expert Witnesses: Comparing Ensemble Methods in
Pennsylvania's Redistricting Plans [0.0]
ランダムな選挙区の集合は、提案された地区計画が外れているか、ゲリーマンダーであるかを評価する貴重な手段である。
最近のオープンソース手法は、専門家証人証言の独立した検証を可能にしている。
我々は「レッドリスト」と「ジェリーチェーン」を用いて計算されたペンシルベニア州下院と議会選挙区のアンサンブルを比較した。
論文 参考訳（メタデータ） (2022-08-18T00:03:40Z) - Mathematically Quantifying Non-responsiveness of the 2021 Georgia
Congressional Districting Plan [3.097163558730473]
並列テンパリング法とReComを併用したメトロポリケートサンプリング手法を応用した。
ジョージア州における地区計画の最初の事例研究を通じて、これらの改善を開拓する。
我々の分析では、ジョージア州の選挙は、この制定された計画の下で、確実に9人の共和党員と5人の民主党員を選出すると予想している。
論文 参考訳（メタデータ） (2022-03-13T02:58:32Z) - Implications of Distance over Redistricting Maps: Central and Outlier
Maps [6.757783454836096]
代表制民主主義では、選挙区を代表を選出する選挙区の集合に分割するために、再分権地図が選択される。
有効な再限定写像は、コンパクトで連続であり、ほぼ同じ人口であるような制約の集合を満たさなければならない。
この事実は地図の再区画化の難しさを招き、党派議会が不公平に好む地図を選ぶことで、おそらくはゲリマンダーにすることができる。
論文 参考訳（メタデータ） (2022-03-02T04:59:30Z) - Rethinking Counting and Localization in Crowds:A Purely Point-Based
Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。
我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文 参考訳（メタデータ） (2021-07-27T11:41:50Z) - Uniformity in Heterogeneity:Diving Deep into Count Interval Partition
for Crowd Counting [56.44300325295678]
一様誤差分割(UEP)と呼ばれる新しいカウント間隔分割基準を提案する。
MCP基準は、推論中にそのカウント値を表すために、各インターバルのベストカウントプロキシを選択する。
統一誤り分割ネットワーク(UEPNet)と呼ばれる単純で効果的なモデルを提案する。
論文 参考訳（メタデータ） (2021-07-27T06:24:15Z) - Direct Measure Matching for Crowd Counting [59.66286603624411]
そこで本研究では,予測密度マップを散乱点付基底真理に直接回帰する測度に基づく新しい計数手法を提案する。
本稿では, シンクホーンの測位損失を計測するために設計した, 半平衡型のシンクホーン発散を導出する。
論文 参考訳（メタデータ） (2021-07-04T06:37:33Z) - Distribution Matching for Crowd Counting [51.90971145453012]
アノテーションにガウスを付与することは一般化性能を損なうことを示す。
我々は,群集CoUNTing (DM-Count) における分布マッチングの利用を提案する。
平均絶対誤差(Mean Absolute Error)の観点では、DM-Countは従来の最先端手法よりも優れている。
論文 参考訳（メタデータ） (2020-09-28T04:57:23Z) - Rethink Maximum Mean Discrepancy for Domain Adaptation [77.2560592127872]
本論文は,(1)最大平均距離の最小化は,それぞれソースとクラス内距離の最大化に等しいが,その差を暗黙の重みと共同で最小化し,特徴判別性は低下する,という2つの本質的な事実を理論的に証明する。
いくつかのベンチマークデータセットの実験は、理論的な結果の有効性を証明しただけでなく、我々のアプローチが比較した最先端手法よりも大幅に向上できることを実証した。
論文 参考訳（メタデータ） (2020-07-01T18:25:10Z) - Approximate MMAP by Marginal Search [78.50747042819503]
本稿では,グラフィカルモデルにおける最小値MAPクエリの戦略を提案する。
提案した信頼度尺度は,アルゴリズムが正確であるインスタンスを適切に検出するものである。
十分に高い信頼度を得るために、アルゴリズムは正確な解を与えるか、正確な解からハミング距離が小さい近似を与える。
論文 参考訳（メタデータ） (2020-02-12T07:41:13Z)
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。