論文の概要: The more the merrier: logical and multistage processors in credit scoring

• arxiv url: http://arxiv.org/abs/2503.23979v1
• Date: Mon, 31 Mar 2025 11:44:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:38:49.127795
• Title: The more the merrier: logical and multistage processors in credit scoring
• Title（参考訳）: 信用スコアリングの論理的および多段階的プロセッサ
• Authors: Arturo Pérez-Peralta, Sandra Benítez-Peña, Rosa E. Lillo,
• Abstract要約: 我々は、金融における公正MLの適用に焦点をあて、より具体的には、信用スコアの公平性技術の使用に焦点を当てる。 一方、文献における確立された手法の適用に関するギャップに対処する。 一方,マルチステージプロセッサ(MP)の新たな手法についても検討し,フェアネス法の組み合わせが有効かどうかを検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Machine Learning algorithms are ubiquitous in key decision-making contexts such as organizational justice or healthcare, which has spawned a great demand for fairness in these procedures. In this paper we focus on the application of fair ML in finance, more concretely on the use of fairness techniques on credit scoring. This paper makes two contributions. On the one hand, it addresses the existent gap concerning the application of established methods in the literature to the case of multiple sensitive variables through the use of a new technique called logical processors (LP). On the other hand, it also explores the novel method of multistage processors (MP) to investigate whether the combination of fairness methods can work synergistically to produce solutions with improved fairness or accuracy. Furthermore, we examine the intersection of these two lines of research by exploring the integration of fairness methods in the multivariate case. The results are very promising and suggest that logical processors are an appropriate way of handling multiple sensitive variables. Furthermore, multistage processors are capable of improving the performance of existing methods.
• Abstract（参考訳）: 機械学習のアルゴリズムは、組織的正義や医療といった重要な意思決定コンテキストにおいてユビキタスである。 本稿では、金融におけるフェアネスの活用に焦点を当て、より具体的には、クレジットスコアリングにおけるフェアネス技術の利用に焦点を当てる。 この論文には2つの貢献がある。 一方、論理プロセッサ(LP)と呼ばれる新しい手法を用いることにより、文献における確立された手法の適用に関する既存のギャップを複数の感度変数の場合に解決する。 一方、フェアネス法の組み合わせが相乗的に有効であるかどうかを調べるため、マルチステージプロセッサ(MP)の新しい手法についても検討している。 さらに,この2つの研究の交わりについて,多変量体におけるフェアネス法の統合を探究して検討する。 結果は非常に有望であり、論理プロセッサが複数の機密変数を扱う適切な方法であることを示唆している。 さらに、マルチステージプロセッサは既存の手法の性能を向上させることができる。

関連論文リスト

• Synthesis of Model Predictive Control and Reinforcement Learning: Survey and Classification [5.260523686933724]
  この研究は、異なる組み合わせアルゴリズムを可能にする相違点、類似点、基本点を照らす。 本稿では,MPCのオンライン最適化手法を用いて,ポリシーのクローズドループ性能を向上する方法について検討する。
  論文  参考訳（メタデータ） (2025-02-04T09:06:07Z)
• Improving LLM Reasoning through Scaling Inference Computation with Collaborative Verification [52.095460362197336]
  大規模言語モデル(LLM)は一貫性と正確な推論に苦しむ。 LLMは、主に正しいソリューションに基づいて訓練され、エラーを検出して学習する能力を減らす。 本稿では,CoT(Chain-of-Thought)とPoT(Program-of-Thought)を組み合わせた新しい協調手法を提案する。
  論文  参考訳（メタデータ） (2024-10-05T05:21:48Z)
• Boosting CNN-based Handwriting Recognition Systems with Learnable Relaxation Labeling [48.78361527873024]
  本稿では,2つの異なる手法の強みを組み込んだ手書き文字認識手法を提案する。 本稿では,アルゴリズムの収束を加速し,システム全体の性能を向上させるスペーシフィケーション手法を提案する。
  論文  参考訳（メタデータ） (2024-09-09T15:12:28Z)
• A Thorough Examination of Decoding Methods in the Era of LLMs [72.65956436513241]
  復号法は、次世代の予測器から実用的なタスク解決器に言語モデルを変換する上で、必須の役割を果たす。 本稿では,大規模言語モデルの文脈における様々な復号法を包括的かつ多面的に分析する。 その結果,復号法の性能は特にタスク依存的であり,アライメント,モデルサイズ,量子化などの要因に影響されていることが明らかとなった。
  論文  参考訳（メタデータ） (2024-02-10T11:14:53Z)
• Counterfactual Explanation via Search in Gaussian Mixture Distributed Latent Space [19.312306559210125]
  対実説明(CE)は2つの問題に対処するアルゴリズム・リコースにおいて重要なツールである。 簡単に理解しやすい説明を提供することによって、AIシステムに対するユーザのインタラクションを導くことは、AIシステムの信頼できる採用と長期的な受け入れに不可欠である。 本稿では,まずオートエンコーダの潜伏空間をガウス分布の混合として形成することにより,事前学習されたバイナリ分類器のCEを生成する手法を提案する。
  論文  参考訳（メタデータ） (2023-07-25T10:21:26Z)
• Causality-Aided Trade-off Analysis for Machine Learning Fairness [11.149507394656709]
  本稿では,機械学習パイプラインにおける公平度パラメータと他の重要な指標とのトレードオフを解析するための原理的手法として因果解析を用いる。 本稿では、正確な因果発見を容易にするためのドメイン固有最適化と、確立された因果推論手法に基づくトレードオフ解析のための統一されたインターフェースを提案する。
  論文  参考訳（メタデータ） (2023-05-22T14:14:43Z)
• Trace Encoding in Process Mining: a survey and benchmarking [0.34410212782758054]
  メソッドは、予測プロセス監視、異常なケース検出、クラスタリングトレースなど、いくつかのプロセスマイニングタスクで使用される。 ほとんどの論文では、既存の符号化手法を任意に選択するか、特定の専門家知識ドメインに基づいた戦略を採用する。 この研究は、27のメソッドを比較することで、イベントログエンコーディングに関する包括的な調査を提供することを目的としている。
  論文  参考訳（メタデータ） (2023-01-05T17:25:30Z)
• Rethinking Clustering-Based Pseudo-Labeling for Unsupervised Meta-Learning [146.11600461034746]
  教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。 このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。 このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
  論文  参考訳（メタデータ） (2022-09-27T19:04:36Z)
• A survey on multi-objective hyperparameter optimization algorithms for Machine Learning [62.997667081978825]
  本稿では,多目的HPOアルゴリズムに関する2014年から2020年にかけての文献を体系的に調査する。 メタヒューリスティック・ベース・アルゴリズムとメタモデル・ベース・アルゴリズム,および両者を混合したアプローチを区別する。 また,多目的HPO法と今後の研究方向性を比較するための品質指標についても論じる。
  論文  参考訳（メタデータ） (2021-11-23T10:22:30Z)
• The Benchmark Lottery [114.43978017484893]
  ベンチマーク宝くじ」は、機械学習ベンチマークプロセスの全体的な脆弱さを記述している。 アルゴリズムの相対的性能は、異なるベンチマークタスクを選択するだけで大幅に変化する可能性がある。
  論文  参考訳（メタデータ） (2021-07-14T21:08:30Z)

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。