論文の概要: The epistemic dimension of algorithmic fairness: assessing its impact in innovation diffusion and fair policy making

• arxiv url: http://arxiv.org/abs/2504.02856v1
• Date: Fri, 28 Mar 2025 22:48:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-13 06:23:26.576028
• Title: The epistemic dimension of algorithmic fairness: assessing its impact in innovation diffusion and fair policy making
• Title（参考訳）: アルゴリズムフェアネスの疫学次元--イノベーション拡散と公正政策形成における影響の評価
• Authors: Eugenia Villa, Camilla Quaresmini, Valentina Breschi, Viola Schiaffonati, Mara Tanelli,
• Abstract要約: 我々は,社会規模でのイノベーションの拡散に対する信頼性欠陥や過剰な影響を特徴づけ,分析することに注力する。 確立された線形閾値モデルを拡張し、イノベーション拡散におけるてんかんバイアスの影響を示す。 我々の結果は、意思決定におけるアルゴリズム的公正性の議論において、疫学的な次元が持つ重要な役割を浮き彫りにした。
• 参考スコア（独自算出の注目度）: 3.267556217287181
• License:
• Abstract: Algorithmic fairness is an expanding field that addresses a range of discrimination issues associated with algorithmic processes. However, most works in the literature focus on analyzing it only from an ethical perspective, focusing on moral principles and values that should be considered in the design and evaluation of algorithms, while disregarding the epistemic dimension related to knowledge transmission and validation. However, this aspect of algorithmic fairness should also be included in the debate, as it is crucial to introduce a specific type of harm: an individual may be systematically excluded from the dissemination of knowledge due to the attribution of a credibility deficit/excess. In this work, we specifically focus on characterizing and analyzing the impact of this credibility deficit or excess on the diffusion of innovations on a societal scale, a phenomenon driven by individual attitudes and social interactions, and also by the strength of mutual connections. Indeed, discrimination might shape the latter, ultimately modifying how innovations spread within the network. In this light, to incorporate, also from a formal point of view, the epistemic dimension in innovation diffusion models becomes paramount, especially if these models are intended to support fair policy design. For these reasons, we formalize the epistemic properties of a social environment, by extending the well-established Linear Threshold Model (LTM) in an epistemic direction to show the impact of epistemic biases in innovation diffusion. Focusing on the impact of epistemic bias in both open-loop and closed-loop scenarios featuring optimal fostering policies, our results shed light on the pivotal role the epistemic dimension might have in the debate of algorithmic fairness in decision-making.
• Abstract（参考訳）: アルゴリズムフェアネス(英: Algorithmic Fairness)は、アルゴリズムプロセスに関連する様々な差別問題に対処する拡大分野である。 しかし、文学におけるほとんどの研究は倫理的な観点からのみ分析することに集中しており、知識の伝達と検証に関する認識の次元を無視しつつ、アルゴリズムの設計と評価において考慮すべき道徳的原則と価値に焦点を当てている。 しかし、アルゴリズム的公正性のこの側面は、特定の種類の害を導入することが不可欠であるため、議論に含めるべきである。 本研究では,この信頼性の欠如や過大な影響が,社会的規模におけるイノベーションの拡散,個人の態度や社会的相互作用によって引き起こされる現象,相互関係の強みによって特徴づけられ,分析されることに特に焦点をあてる。 実際、差別は後者を形作って、最終的にネットワーク内でのイノベーションの展開方法を変えるかもしれない。 この光は、形式的な観点からも、革新拡散モデルにおける疫学的な次元が最重要となる。 これらの理由から, 確立されたリニア閾値モデル(LTM)をエピステミック方向に拡張し, イノベーション拡散におけるエピステミックバイアスの影響を示すことにより, 社会環境のエピステミック特性を定式化する。 最適な育種方針を特徴とするオープンループとクローズドループのシナリオにおいて,エピステミックバイアスが与える影響に着目した結果,意思決定におけるアルゴリズム的公正性の議論において,エピステミック次元が持つ重要な役割について考察した。

関連論文リスト

• Advancing Fairness in Natural Language Processing: From Traditional Methods to Explainability [0.9065034043031668]
  この論文は、NLPシステムにおける株式と透明性の必要性に対処している。 高リスクNLPアプリケーションにおけるバイアスを軽減する革新的なアルゴリズムを導入している。 また、トランスフォーマーモデルの概念を特定し、ランク付けするモデルに依存しない説明可能性法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T12:38:58Z)
• Reconciling Heterogeneous Effects in Causal Inference [44.99833362998488]
  本稿では、機械学習におけるモデル乗法にReconcileアルゴリズムを適用し、因果推論における異種効果を再現する。 本研究の結果は,医療,保険,住宅などの高額な事業において,公正な成果の確保に有意な意味を持っている。
  論文  参考訳（メタデータ） (2024-06-05T18:43:46Z)
• On the Societal Impact of Open Foundation Models [93.67389739906561]
  ここでは、広く利用可能なモデルウェイトを持つものとして定義されている、オープンファンデーションモデルに重点を置いています。 オープンファンデーションモデルの5つの特徴を識別し,その利点とリスクを両立させる。
  論文  参考訳（メタデータ） (2024-02-27T16:49:53Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• 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)
• The Unreasonable Effectiveness of Deep Evidential Regression [72.30888739450343]
  不確実性を考慮した回帰ベースニューラルネットワーク(NN)による新しいアプローチは、従来の決定論的手法や典型的なベイズ的NNよりも有望であることを示している。 我々は、理論的欠点を詳述し、合成および実世界のデータセットのパフォーマンスを分析し、Deep Evidential Regressionが正確な不確実性ではなく定量化であることを示す。
  論文  参考訳（メタデータ） (2022-05-20T10:10:32Z)
• Non-Linear Spectral Dimensionality Reduction Under Uncertainty [107.01839211235583]
  我々は、不確実性情報を活用し、いくつかの従来のアプローチを直接拡張する、NGEUと呼ばれる新しい次元削減フレームワークを提案する。 提案したNGEUの定式化は,大域的な閉形式解を示し,Radecherの複雑性に基づいて,基礎となる不確実性がフレームワークの一般化能力に理論的にどのように影響するかを分析する。
  論文  参考訳（メタデータ） (2022-02-09T19:01:33Z)
• Promises and Challenges of Causality for Ethical Machine Learning [2.1946447418179664]
  我々は「潜在的成果の枠組み」に基づく因果フェアネスの適切な適用条件を策定する。 我々は、因果的公平性文学においてしばしば無視される因果的推論の重要な側面を強調した。 このような介入の概念化は因果的仮定の妥当性を評価する上で重要であると我々は主張する。
  論文  参考訳（メタデータ） (2022-01-26T00:04:10Z)
• Impact Remediation: Optimal Interventions to Reduce Inequality [10.806517393212491]
  我々は、既存の現実世界の格差に対処するための新しいアルゴリズムフレームワークを開発する。 本フレームワークの目的は、現実世界の格差を計測し、最適な介入ポリシーを発見することである。 最適な政策学習に関するほとんどの研究とは対照的に、格差低減自体を目的として検討する。
  論文  参考訳（メタデータ） (2021-07-01T16:35:12Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• No computation without representation: Avoiding data and algorithm biases through diversity [11.12971845021808]
  学術的および専門的なコンピューティング分野における多様性の欠如と、データセットで発生するバイアスのタイプと幅の関連性を引き合いに出す。 これらの教訓を利用して、コンピューティングコミュニティが多様性を高めるための具体的なステップを提供するレコメンデーションを開発する。
  論文  参考訳（メタデータ） (2020-02-26T23:07:39Z)

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。