論文の概要: Fairness Perceptions in Regression-based Predictive Models

• arxiv url: http://arxiv.org/abs/2505.04886v1
• Date: Thu, 08 May 2025 01:48:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.715625
• Title: Fairness Perceptions in Regression-based Predictive Models
• Title（参考訳）: 回帰に基づく予測モデルにおける公正知覚
• Authors: Mukund Telukunta, Venkata Sriram Siddhardh Nadendla, Morgan Stuart, Casey Canfield,
• Abstract要約: 本稿では, 回帰分析ツールの妥当性を評価するために, 分散に基づくグループフェアネスの概念を3つ導入する。 群衆のフィードバックは、社会的公平さの選好を推定するために使用される。 本研究は, 男女・人種群に対して, 年齢群では不公平ではあるが, 性別・人種群では公平であると考えられた。
• 参考スコア（独自算出の注目度）: 0.19999259391104385
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Regression-based predictive analytics used in modern kidney transplantation is known to inherit biases from training data. This leads to social discrimination and inefficient organ utilization, particularly in the context of a few social groups. Despite this concern, there is limited research on fairness in regression and its impact on organ utilization and placement. This paper introduces three novel divergence-based group fairness notions: (i) independence, (ii) separation, and (iii) sufficiency to assess the fairness of regression-based analytics tools. In addition, fairness preferences are investigated from crowd feedback, in order to identify a socially accepted group fairness criterion for evaluating these tools. A total of 85 participants were recruited from the Prolific crowdsourcing platform, and a Mixed-Logit discrete choice model was used to model fairness feedback and estimate social fairness preferences. The findings clearly depict a strong preference towards the separation and sufficiency fairness notions, and that the predictive analytics is deemed fair with respect to gender and race groups, but unfair in terms of age groups.
• Abstract（参考訳）: 現代の腎臓移植で用いられる回帰に基づく予測分析は、トレーニングデータからバイアスを継承することが知られている。 これは、社会的な差別と、特に少数の社会集団の文脈において、非効率な臓器利用につながる。 この懸念にもかかわらず、レグレッションの公平性とその臓器利用および臓器配置への影響について限定的な研究がなされている。 本稿では,3つの新しい発散に基づくグループフェアネス概念を紹介する。 独立; 独立; 独立 (二)分離、及び 三 回帰分析ツールの妥当性を評価するのに十分である。 また,これらのツールを評価する上で,社会的に受け入れられたグループフェアネス基準を特定するために,群衆からのフィードバックからフェアネスの嗜好を調査する。 85名の参加者がProlificクラウドソーシングプラットフォームから採用され、Mixed-Logitの個別選択モデルがフェアネスのフィードバックをモデル化し、社会的フェアネスの選好を推定するために使用された。 本研究は, 男女・人種群に対して, 年齢群では不公平ではあるが, 性別・人種群では公平であると考えられた。

関連論文リスト

• Parametric Fairness with Statistical Guarantees [0.46040036610482665]
  我々は、予測に分布特性を組み込むためのデモグラフィックパリティの概念を拡張し、専門家の知識を公正なソリューションで利用できるようにする。 我々は、賃金の実践的な例を通して、この新しい指標の使用を説明し、実践的な課題に効率的に対処するパラメトリック手法を開発する。
  論文  参考訳（メタデータ） (2023-10-31T14:52:39Z)
• Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
  本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。 統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:23:22Z)
• The Flawed Foundations of Fair Machine Learning [0.0]
  統計的に正確な結果と類似した結果とのトレードオフが存在することを示す。 本稿では,統計的に正確な結果とグループ類似の結果の関係を理解する上で,研究者やデザイナーを支援するための概念実証手法を提案する。
  論文  参考訳（メタデータ） (2023-06-02T10:07:12Z)
• Counterpart Fairness -- Addressing Systematic between-group Differences in Fairness Evaluation [17.495053606192375]
  機械学習を用いて意思決定を行う場合、アルゴリズム上の決定が公平であり、特定の個人やグループに対して差別的でないことを保証することが重要である。 既存のグループフェアネス手法は、人種や性別などの保護された変数によって規定されたグループ間で平等な結果を保証することを目的としている。 グループ間の系統的な差異が結果に重要な役割を果たす場合、これらの手法は非保護変数の影響を見逃す可能性がある。
  論文  参考訳（メタデータ） (2023-05-29T15:41:12Z)
• Error Parity Fairness: Testing for Group Fairness in Regression Tasks [5.076419064097733]
  この研究は、回帰フェアネスの概念としてエラーパリティを示し、グループフェアネスを評価するためのテスト手法を導入する。 続いて、いくつかの統計上のグループを比較し、格差を探索し、影響されたグループを特定するのに適した置換テストが実施される。 全体として、提案された回帰公正性テスト手法は、公正な機械学習文献のギャップを埋め、より大きなアカウンタビリティ評価とアルゴリズム監査の一部として機能する可能性がある。
  論文  参考訳（メタデータ） (2022-08-16T17:47:20Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Cross-model Fairness: Empirical Study of Fairness and Ethics Under Model Multiplicity [10.144058870887061]
  1つの予測器が等しく機能するモデルのグループからアドホックに選択された場合、個人は害を受ける可能性があると我々は主張する。 これらの不公平性は実生活で容易に発見でき、技術的手段だけで緩和することは困難である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-14T14:33:39Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)

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。