論文の概要: Allocation Multiplicity: Evaluating the Promises of the Rashomon Set

• arxiv url: http://arxiv.org/abs/2503.16621v3
• Date: Mon, 01 Sep 2025 14:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-03 14:24:52.240825
• Title: Allocation Multiplicity: Evaluating the Promises of the Rashomon Set
• Title（参考訳）: 割り当て多重性:羅生門集合の約束を評価する
• Abstract要約: ラショモンのモデルは差別的アルゴリズムを減らし、結果の均質化を減らし、公平な決定を約束する。 割り当て多重性の観点から、これらの約束は満たされないかもしれないと論じる。 医療割当のケーススタディで示すように、この等実用割当の空間は、羅生門セットに忠実に反映されないかもしれない。
• 参考スコア（独自算出の注目度）: 3.09188080720291
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The Rashomon set of equally-good models promises less discriminatory algorithms, reduced outcome homogenization, and fairer decisions through model ensembles or reconciliation. However, we argue from the perspective of allocation multiplicity that these promises may remain unfulfilled. When there are more qualified candidates than resources available, many different allocations of scarce resources can achieve the same utility. This space of equal-utility allocations may not be faithfully reflected by the Rashomon set, as we show in a case study of healthcare allocations. We attribute these unfulfilled promises to several factors: limitations in empirical methods for sampling from the Rashomon set, the standard practice of deterministically selecting individuals with the lowest risk, and structural biases that cause all equally-good models to view some qualified individuals as inherently risky.
• Abstract（参考訳）: ラショモンのモデルは差別的アルゴリズムを減らし、結果の均質化を減らし、モデルのアンサンブルや和解による公平な決定を約束する。 しかし、割り当て多重性の観点からは、これらの約束は満たされないかもしれないと論じる。 利用可能なリソースよりも適格な候補が存在する場合、不足するリソースの多くの異なるアロケーションは、同じユーティリティを実現することができる。 医療割当のケーススタディで示すように、この等実用割当の空間は、羅生門セットに忠実に反映されないかもしれない。 これらの未完の約束は、ラショモン集合からサンプリングするための経験的手法の制限、最低リスクを持つ個人を決定論的に選択する標準的な慣行、そして全ての等しく良いモデルが一部の適格な個人を本質的に危険と見なす構造的バイアスなど、いくつかの要因に起因している。

関連論文リスト

• Measuring consistency via ensemble margin and local prediction variability: Auditing decision systems in the presence of predictive multiplicity [4.924900955306918]
  ラショウモン効果は、同じ精度のモデルが同じ入力に対して異なる予測を生成する機械学習現象である。 本稿では,アンサンブルマージンと各構成モデルに対する局所的予測変数の尺度を組み合わせた一貫性基準を提案する。 実験の結果,Rashomon集合からのアンサンブルモデルにより,誤検出のリスクを大幅に低減できることがわかった。
  論文  参考訳（メタデータ） (2026-09-01T15:22:01Z)
• Behavioural Signatures of Risk-Sensitive Decision-Making in Large Language Models [121.70781851874035]
  大規模言語モデル(LLM)は、意思決定支援にますます使われている。 不確実性の下での選択が安定かつ解釈可能な行動規則性を示すかどうかを理解することが重要である。 本稿では,無制限テキサスホールドエムに基づく制御型マルチモデルフレームワークを用いて,この問題について検討する。
  論文  参考訳（メタデータ） (2026-07-11T10:33:39Z)
• Selective Ensemble Based on Preference-Directed Multi-Objective Bandits [90.75513823660775]
  我々は、部分的に指定された線形選好の下で逐次決定問題を定式化する。 次に、嗜好指向の高信頼度境界(PrefUCB)アルゴリズムを提案する。 大規模な事前学習型モデル選択アンサンブルタスクと,機関委任下でのオンラインアセットアロケーションの実験により,本手法が検証された。
  論文  参考訳（メタデータ） (2026-06-20T07:52:46Z)
• Model Multiplicity and Predictive Arbitrariness in Recidivism Risk Assessment [1.7465202628859542]
  本稿では,15年以上にわたって使用されているリシビズムリスク評価のための機械学習に基づくシステムについて検討する。 我々は、予測性能を改善し、グループ間のエラーレートの相違を低減し、リハビリテーションの進行がリスクスコアを低くする解釈可能なモデルを学習する。 本実験は, 誤差速度の相違に匹敵する多くの類似した精度のモデルが存在することが, 必ずしも重大な予測多重度に変換されないことを示す。
  論文  参考訳（メタデータ） (2026-06-01T12:53:54Z)
• CDRRM: Contrast-Driven Rubric Generation for Reliable and Interpretable Reward Modeling [61.75914342638658]
  CDRRM(Contrast-Driven Reward Model)は、高品質なルーリック生成と優先判断のためのフレームワークである。 この作業は、報酬モデリングのためのスケーラブルで解釈可能で、データ効率のよいパスを提供する。
  論文  参考訳（メタデータ） (2026-03-09T07:15:23Z)
• Latent Preference Bandits [7.731569068280131]
  Banditアルゴリズムは、さまざまなシーケンシャルな意思決定問題を解決することが保証されている。 潜伏帯は、潜伏状態の合同分布と行動の報奨が知られ、正確であることを考えると、そのような問題に対する探査時間を著しく短縮する。 実際には、そのようなモデルを見つけることは自明ではなく、全ての個人の反応を説明する少数の潜在状態は存在しないかもしれない。
  論文  参考訳（メタデータ） (2025-08-07T13:13:28Z)
• Fairness and Sparsity within Rashomon sets: Enumeration-Free Exploration and Characterization [4.554831326324025]
  本研究では,数理プログラミングに基づく列挙自由法を導入し,公平さや疎さなどの諸特性を特徴付ける。 提案手法を2つの仮説クラス(スコアリングシステムと決定図)に適用する。
  論文  参考訳（メタデータ） (2025-02-07T19:43:34Z)
• Perceptions of the Fairness Impacts of Multiplicity in Machine Learning [22.442918897954957]
  多重性 - 複数の良いモデルの存在 - は、いくつかの予測が本質的に任意のものであることを意味する。 マルチプライシティが機械学習フェアネスに対する利害関係者の認識にどのように影響するかを調査する。 この結果から,モデル開発者は公平性を維持するために,多元性を扱うことを意識すべきであることが示唆された。
  論文  参考訳（メタデータ） (2024-09-18T21:57:51Z)
• Cycles of Thought: Measuring LLM Confidence through Stable Explanations [53.15438489398938]
  大規模言語モデル(LLM)は、様々なベンチマークで人間レベルの精度に到達し、さらに超えることができるが、不正確な応答における過度な自信は、依然として十分に文書化された障害モードである。 本稿では,LLMの不確実性を測定するためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-05T16:35:30Z)
• Dropout-Based Rashomon Set Exploration for Efficient Predictive Multiplicity Estimation [15.556756363296543]
  予測多重性(英: Predictive multiplicity)とは、ほぼ等しい最適性能を達成する複数の競合モデルを含む分類タスクを指す。 本稿では,Rashomon 集合のモデル探索にドロップアウト手法を利用する新しいフレームワークを提案する。 本手法は, 予測多重度推定の有効性の観点から, ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2024-02-01T16:25:00Z)
• Multi-Target Multiplicity: Flexibility and Fairness in Target Specification under Resource Constraints [76.84999501420938]
  対象の選択が個人の結果にどのように影響するかを評価するための概念的および計算的枠組みを導入する。 目的変数選択から生じる多重度は, 1つのターゲットのほぼ最適モデルから生じるものよりも大きいことが示される。
  論文  参考訳（メタデータ） (2023-06-23T18:57:14Z)
• Modeling the Q-Diversity in a Min-max Play Game for Robust Optimization [61.39201891894024]
  群分布的ロバスト最適化(群 DRO)は、事前定義された群に対する最悪の損失を最小限にすることができる。 グループDROフレームワークをQ-Diversityを提案して再構築する。 インタラクティブなトレーニングモードによって特徴付けられるQ-Diversityは、アノテーションからグループ識別を緩和し、直接パラメータ化を行う。
  論文  参考訳（メタデータ） (2023-05-20T07:02:27Z)
• Learning from a Biased Sample [3.546358664345473]
  本稿では,テスト分布のファミリーで発生する最悪のリスクを最小限に抑える決定ルールの学習方法を提案する。 本研究では,健康調査データからメンタルヘルススコアの予測を行うケーススタディにおいて,提案手法を実証的に検証した。
  論文  参考訳（メタデータ） (2022-09-05T04:19:16Z)
• Holistic Approach to Measure Sample-level Adversarial Vulnerability and its Utility in Building Trustworthy Systems [17.707594255626216]
  敵対的攻撃は、知覚不能な雑音を伴うイメージを摂動させ、誤ったモデル予測をもたらす。 本稿では,異なる視点を組み合わせることで,サンプルの敵対的脆弱性を定量化するための総合的アプローチを提案する。 サンプルレベルで確実に敵の脆弱性を推定することにより、信頼できるシステムを開発できることを実証する。
  論文  参考訳（メタデータ） (2022-05-05T12:36:17Z)
• Distributionally Robust Models with Parametric Likelihood Ratios [123.05074253513935]
  3つの単純なアイデアにより、より広いパラメトリックな確率比のクラスを用いてDROでモデルを訓練することができる。 パラメトリック逆数を用いてトレーニングしたモデルは、他のDROアプローチと比較して、サブポピュレーションシフトに対して一貫して頑健であることがわかった。
  論文  参考訳（メタデータ） (2022-04-13T12:43:12Z)
• BRIO: Bringing Order to Abstractive Summarization [107.97378285293507]
  非決定論的分布を前提とした新しい学習パラダイムを提案する。 提案手法は, CNN/DailyMail (47.78 ROUGE-1) と XSum (49.07 ROUGE-1) のデータセット上で, 最新の結果が得られる。
  論文  参考訳（メタデータ） (2022-03-31T05:19:38Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• Diverse Rule Sets [20.170305081348328]
  ルールベースのシステムは、直感的なif-then表現のためにルネッサンスを経験しています。 本稿では,ルール間の重なり合いを最適化することで,多様なルールセットを推定する新しい手法を提案する。 次に、高い差別性を持ち、重複が少ない規則をサンプリングする効率的なランダム化アルゴリズムを考案する。
  論文  参考訳（メタデータ） (2020-06-17T14:15:25Z)

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。