論文の概要: Inducing Efficient and Equitable Professional Networks through Link Recommendations
- arxiv url: http://arxiv.org/abs/2503.04542v1
- Date: Thu, 06 Mar 2025 15:28:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 16:00:27.960023
- Title: Inducing Efficient and Equitable Professional Networks through Link Recommendations
- Title（参考訳）: リンクレコメンデーションによる効率的かつ等価なプロフェッショナルネットワークの創出
- Authors: Cynthia Dwork, Chris Hays, Lunjia Hu, Nicole Immorlica, Juan Perdomo,
- Abstract要約: グループ内での選好がなくても不平等が増大することを示す。
不平等の増大は、差分レバレッジの特権と特権のない個人が接続を形成する際に生じる。
我々は、不平等を意識したプラットフォームが、接続を補助することで不平等を減らしうることを示す。
- 参考スコア（独自算出の注目度）: 8.587487929448455
- License:
- Abstract: Professional networks are a key determinant of individuals' labor market outcomes. They may also play a role in either exacerbating or ameliorating inequality of opportunity across demographic groups. In a theoretical model of professional network formation, we show that inequality can increase even without exogenous in-group preferences, confirming and complementing existing theoretical literature. Increased inequality emerges from the differential leverage privileged and unprivileged individuals have in forming connections due to their asymmetric ex ante prospects. This is a formalization of a source of inequality in the labor market which has not been previously explored. We next show how inequality-aware platforms may reduce inequality by subsidizing connections, through link recommendations that reduce costs, between privileged and unprivileged individuals. Indeed, mixed-privilege connections turn out to be welfare improving, over all possible equilibria, compared to not recommending links or recommending some smaller fraction of cross-group links. Taken together, these two findings reveal a stark reality: professional networking platforms that fail to foster integration in the link formation process risk reducing the platform's utility to its users and exacerbating existing labor market inequality.
- Abstract（参考訳）: プロフェッショナルネットワークは、個人の労働市場の結果の重要な決定要因である。
また、人口集団間の機会の不平等を悪化させるか改善させる役割も果たせる。
専門的なネットワーク形成の理論モデルでは、不等式はグループ内選好なしでも増加し、既存の理論文献を裏付け、補完することを示す。
差分レバレッジの特権と特権のない個人が非対称な外的見通しのためにつながりを形成することによって、不平等が増す。
これは、これまで検討されていない労働市場における不平等の源泉の形式化である。
次に、不平等を意識したプラットフォームが、特権のある個人と特権のない個人の間のコストを削減するリンクレコメンデーションを通じて、接続を補助することで不平等を減らすことを示す。
実際、混合プライベート接続は、リンクを推奨しないか、グループ間リンクのごく一部を推奨しているのに対して、あらゆる可能な均衡よりも、福祉の改善であることが判明した。
リンク形成プロセスにおける統合の促進に失敗したプロのネットワークプラットフォームは、プラットフォームがユーザに対して有効性を低下させ、既存の労働市場の不平等を悪化させるリスクがある。
関連論文リスト
- Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - Equilibria, Efficiency, and Inequality in Network Formation for Hiring and Opportunity [7.232232177308125]
本稿では,そのようなネットワークの形成とネットワーク内の機会の移動に関するモデルを提案する。
個人は他者と戦略的に結びつき、機会を得られる確率を最大化する。
平衡において、個人は、それらに類似した利益をもたらす人々とのつながりを形成する。
論文 参考訳（メタデータ） (2024-02-21T14:38:37Z) - Group fairness without demographics using social networks [29.073125057536014]
グループフェアネス(英: Group Fairness)は、人種、性別、障害などのセンシティブな属性に基づいて、個人の好ましくない扱いを防止するための一般的なアプローチである。
そこで本稿では, センシティブな属性に依存しないフェアネスの「グループフリー」尺度を提案する。
論文 参考訳（メタデータ） (2023-05-19T00:45:55Z) - Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
論文 参考訳（メタデータ） (2022-11-18T21:58:35Z) - It's Not Fairness, and It's Not Fair: The Failure of Distributional
Equality and the Promise of Relational Equality in Complete-Information
Hiring Games [2.8935588665357077]
既存の差別と不正は、しばしば、不平等な資源の分配よりも、不平等な社会的関係の結果である。
フェアネスと平等という既存の計算的・経済的定義を最適化しても、不平等な社会的関係を防げないことを示す。
論文 参考訳（メタデータ） (2022-09-12T20:35:42Z) - Optimising Equal Opportunity Fairness in Model Training [60.0947291284978]
既存のデバイアス法、例えば、敵の訓練や、表現から保護された情報を取り除くことは、バイアスを減らすことが示されている。
2つの新たな学習目標を提案し,2つの分類課題における高い性能を維持しつつ,バイアスの低減に有効であることを示す。
論文 参考訳（メタデータ） (2022-05-05T01:57:58Z) - Domain Adaptation meets Individual Fairness. And they get along [48.95808607591299]
アルゴリズムフェアネスの介入は、機械学習モデルが分散シフトを克服するのに役立つことを示す。
特に,個人フェアネス(IF)の適切な概念を強制することで,MLモデルの分布外精度が向上することを示す。
論文 参考訳（メタデータ） (2022-05-01T16:19:55Z) - Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。
本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
論文 参考訳（メタデータ） (2022-03-12T02:22:58Z) - 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) - On Measuring the Diversity of Organizational Networks [11.934832243093398]
多くの分野では、少数派集団の重度の過小表現がある。
このようなマッチングを見つけるための新しいアルゴリズムであるFairEA(Fair Employee Assignment)を提案する。
FairEAのアウトプットは、採用と割り当てのプラクティスを評価したい組織によってベンチマークとして使用できます。
論文 参考訳（メタデータ） (2021-05-14T16:20:44Z) - On Statistical Discrimination as a Failure of Social Learning: A
Multi-Armed Bandit Approach [3.096615629099617]
多腕バンディットモデルを用いて、雇用市場における統計的差別を分析する。
本稿では,新しい補助則(ハイブリッド・メカニズム)とルーニー・ルール(ルーニー・ルール)の2つの政策解を提案する。
論文 参考訳（メタデータ） (2020-10-02T16:20:14Z)
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。