Fugu-MT 論文翻訳(概要): The Intersectionality Problem for Algorithmic Fairness

論文の概要: The Intersectionality Problem for Algorithmic Fairness

arxiv url: http://arxiv.org/abs/2411.02569v1
Date: Mon, 04 Nov 2024 20:02:07 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-06 15:02:17.063186
Title: The Intersectionality Problem for Algorithmic Fairness
Title（参考訳）: アルゴリズムフェアネスの断続問題
Authors: Johannes Himmelreich, Arbie Hsu, Kristian Lum, Ellen Veomett,
Abstract要約: 断続性(Intersectionality)は、複数の群の交叉における公平性を達成する問題である。本稿では,問題の根底にある課題を明らかにするためにデシラタを開発し,潜在的な解の探索を指導する。
参考スコア（独自算出の注目度）: 0.3749861135832073
License:
Abstract: A yet unmet challenge in algorithmic fairness is the problem of intersectionality, that is, achieving fairness across the intersection of multiple groups -- and verifying that such fairness has been attained. Because intersectional groups tend to be small, verifying whether a model is fair raises statistical as well as moral-methodological challenges. This paper (1) elucidates the problem of intersectionality in algorithmic fairness, (2) develops desiderata to clarify the challenges underlying the problem and guide the search for potential solutions, (3) illustrates the desiderata and potential solutions by sketching a proposal using simple hypothesis testing, and (4) evaluates, partly empirically, this proposal against the proposed desiderata.
Abstract（参考訳）: アルゴリズム的公正性の未解決の課題は、交叉性の問題であり、つまり、複数のグループの交点をまたいで公正性を達成することであり、そのような公正性が達成されたことを検証している。交叉群は小さい傾向にあるので、モデルが公正であるかどうかを検証することは、統計学だけでなく、道徳的・方法論的な問題も提起する。本稿では,(1)アルゴリズムフェアネスにおける交叉性の問題を解明し,(2)問題の根底にある課題を明確にし,潜在的な解の探索を導くためにデシダラタを開発し,(3)単純な仮説テストを用いて提案をスケッチしてデシダラタと潜在的な解を例示し,(4)提案したデシダラタに対する提案を実証的に評価する。

関連論文リスト

Finite-Sample and Distribution-Free Fair Classification: Optimal Trade-off Between Excess Risk and Fairness, and the Cost of Group-Blindness [14.421493372559762]
グループフェアネス制約下の二項分類におけるアルゴリズムフェアネスとグループブレンドネスの強制効果を定量化する。制御された過剰リスクを伴う分布自由かつ有限サンプルフェアネスを保証するフェア分類のための統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-21T20:04:17Z)
A Survey on Intersectional Fairness in Machine Learning: Notions, Mitigation, and Challenges [11.885166133818819]
機械学習システムの採用により、公平性への懸念が高まっている。公平さと緩和の交叉観念に関する分類を提示する。重要な課題を特定し、今後の方向性に関するガイドラインを研究者に提供する。
論文参考訳（メタデータ） (2023-05-11T16:49:22Z)
Factoring the Matrix of Domination: A Critical Review and Reimagination of Intersectionality in AI Fairness [55.037030060643126]
間欠性は、社会的不平等の持続性を調べるための重要な枠組みである。我々は、公平性を効果的に運用するために、交差性を分析的枠組みとして採用することが重要であると論じる。
論文参考訳（メタデータ） (2023-03-16T21:02:09Z)
Fair Enough: Standardizing Evaluation and Model Selection for Fairness Research in NLP [64.45845091719002]
現代のNLPシステムは様々なバイアスを示しており、モデル偏見に関する文献が増えている。本稿では,その現状を解明し,公正学習における意味ある進歩の道筋を立案することを目的とする。
論文参考訳（メタデータ） (2023-02-11T14:54:00Z)
Causal Fairness Analysis [68.12191782657437]
意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
論文参考訳（メタデータ） (2022-07-23T01:06:34Z)
Algorithm for Constrained Markov Decision Process with Linear Convergence [55.41644538483948]
エージェントは、そのコストに対する複数の制約により、期待される累積割引報酬を最大化することを目的としている。エントロピー正規化ポリシーとベイダの二重化という2つの要素を統合した新しい双対アプローチが提案されている。提案手法は(線形速度で)大域的最適値に収束することが示されている。
論文参考訳（メタデータ） (2022-06-03T16:26:38Z)
SLIDE: a surrogate fairness constraint to ensure fairness consistency [1.3649494534428745]
本稿では, SLIDE と呼ばれる新しい代用フェアネス制約を提案し, 高速収束率を実現する。数値実験により、SLIDEは様々なベンチマークデータセットでうまく機能することを確認した。
論文参考訳（メタデータ） (2022-02-07T13:50:21Z)
Impossibility of What? Formal and Substantive Equality in Algorithmic Fairness [3.42658286826597]
アルゴリズムの公正性に対する支配的な「形式的」アプローチは、平等を追求する枠組みとして不十分である、と私は主張する。社会階層に反するアルゴリズムフェアネスに対する「実質的」アプローチを提案する。形式的および実体的アルゴリズム的公正の区別は、各アプローチの「公正の実証可能性」に対する応答によって実証される。
論文参考訳（メタデータ） (2021-07-09T19:29:57Z)
Fair Disaster Containment via Graph-Cut Problems [16.755292230626168]
アルゴリズム設計と機械学習におけるグラフカット問題に対する公平性について検討する。具体的には、人口統計学と確率論的個人公正という、2つの異なる公正の定義を取り入れる。我々の結果は、証明可能な理論的保証を持つ様々な近似アルゴリズムを含む。
論文参考訳（メタデータ） (2021-06-09T22:52:46Z)
The empirical duality gap of constrained statistical learning [115.23598260228587]
本研究では,制約付き統計学習問題(制約なし版)について,ほぼ全ての現代情報処理のコアとなる研究を行った。本稿では, 有限次元パラメータ化, サンプル平均, 双対性理論を利用して, 無限次元, 未知分布, 制約を克服する制約付き統計問題に取り組むことを提案する。フェアラーニングアプリケーションにおいて,この制約付き定式化の有効性と有用性を示す。
論文参考訳（メタデータ） (2020-02-12T19:12:29Z)
Fair Correlation Clustering [92.15492066925977]
相関クラスタリングの近似アルゴリズムは,いくつかの重要なフェアネス制約の下で得られる。相関クラスタリングに対する公平な解は、最先端の(不公平な)アルゴリズムと比較して、コストを抑えながら得られることを示す。
論文参考訳（メタデータ） (2020-02-06T14:28:21Z)

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。