論文の概要: Testing Fairness with Utility Tradeoffs: A Wasserstein Projection Approach

• arxiv url: http://arxiv.org/abs/2505.11678v3
• Date: Wed, 24 Sep 2025 12:20:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-25 16:23:42.209323
• Title: Testing Fairness with Utility Tradeoffs: A Wasserstein Projection Approach
• Title（参考訳）: ユーティリティトレードオフによるフェアネスのテスト - Wassersteinのプロジェクションアプローチ
• Authors: Yan Chen, Zheng Tan, Jose Blanchet, Hanzhang Qin,
• Abstract要約: 本稿では,近似的公正性と有効性を共同で評価する統計的仮説テストフレームワークを提案する。 当社のフレームワークは,人口統計学の同等性基準に基づいて構築され,潜在的成果フレームワークに動機づけられた実用性尺度が組み込まれている。 このテストは、計算可能で、解釈可能で、機械学習モデルに広く適用でき、より一般的な設定に拡張可能であることを示す。
• 参考スコア（独自算出の注目度）: 6.378410364292642
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Ensuring fairness in data driven decision making has become a central concern across domains such as marketing, lending, and healthcare, but fairness constraints often come at the cost of utility. We propose a statistical hypothesis testing framework that jointly evaluates approximate fairness and utility, relaxing strict fairness requirements while ensuring that overall utility remains above a specified threshold. Our framework builds on the strong demographic parity (SDP) criterion and incorporates a utility measure motivated by the potential outcomes framework. The test statistic is constructed via Wasserstein projections, enabling auditors to assess whether observed fairness-utility tradeoffs are intrinsic to the algorithm or attributable to randomness in the data. We show that the test is computationally tractable, interpretable, broadly applicable across machine learning models, and extendable to more general settings. We apply our approach to multiple real-world datasets, offering new insights into the fairness-utility tradeoff through the perspective of statistical hypothesis testing.
• Abstract（参考訳）: データ駆動意思決定における公正性の確保は、マーケティング、融資、医療といった分野において中心的な関心事となっているが、公正性の制約はしばしばユーティリティーのコストによってもたらされる。 本研究では, 有効性と有効性を両立させつつ, 厳密な公正性要件を緩和し, 有効性が一定の閾値を超えることを保証する統計的仮説テストフレームワークを提案する。 当社のフレームワークは,SDP(Song population parity)基準に基づいて構築され,潜在的成果フレームワークに動機づけられた実用的指標が組み込まれている。 テスト統計はワッサースタイン予想を用いて構築され、観測された公正効用トレードオフがアルゴリズムに固有のものであるか、データのランダム性に起因するかを評価することができる。 このテストは、計算可能で、解釈可能で、機械学習モデルに広く適用でき、より一般的な設定に拡張可能であることを示す。 我々は、複数の実世界のデータセットにアプローチを適用し、統計的仮説テストの観点から、フェアネスとユーティリティのトレードオフに関する新たな洞察を提供する。

関連論文リスト

• Algorithmic Tradeoffs in Fair Lending: Profitability, Compliance, and Long-Term Impact [0.0]
  公平な介入が利益率とデフォルトレートにどのように影響するかを定量化します。 我々は、公正貸付が利益を得る特定の経済状況を特定する。 これらの知見は、倫理的配慮とビジネス目的とのバランスをとる貸付アルゴリズムを設計するための実践的なガイダンスを提供する。
  論文  参考訳（メタデータ） (2025-05-08T19:18:33Z)
• Fairness-aware organ exchange and kidney paired donation [10.277630436997365]
  KPDプログラムは、腎臓移植における非互換性の課題を克服するための革新的な解決策を提供する。 不平等な移植機会に対処するためには、グループフェアネスと個人フェアネスという2つの広く使われているフェアネス基準がある。 機械学習の校正原理に触発されて、我々は新しいフェアネス基準を導入する: 一致した結果が保護された特徴から条件的に独立していなければならない。
  論文  参考訳（メタデータ） (2025-03-09T04:01:08Z)
• 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)
• The Unfairness of $\varepsilon$-Fairness [0.0]
  我々は、$varepsilon$-fairnessという概念が採用されれば、現実世界の文脈で最大に不公平な結果をもたらす可能性があることを示した。 本研究は,大学入学と信用リスク評価の2つの実例を用いて実施した。
  論文  参考訳（メタデータ） (2024-05-15T14:13:35Z)
• FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
  本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。 グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
  論文  参考訳（メタデータ） (2023-06-15T19:51:28Z)
• Causal Fairness for Outcome Control [68.12191782657437]
  本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。 本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。 次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T09:31:18Z)
• 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)
• Fair and Robust Estimation of Heterogeneous Treatment Effects for Policy Learning [2.356908851188234]
  我々は、この枠組みを用いて、最適政策によって達成可能な公平性と最大福祉との間のトレードオフを特徴づける。 本研究は,シミュレーション研究における手法の評価と実世界のケーススタディにおける手法の解説である。
  論文  参考訳（メタデータ） (2023-06-06T12:22:20Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Group Fairness in Prediction-Based Decision Making: From Moral Assessment to Implementation [0.0]
  与えられた文脈における公平さの意味の道徳的評価のための枠組みを導入する。 評価結果を、確立された統計的グループフェアネス基準にマッピングする。 我々は、FECの原則を拡張して、すべての種類のグループフェアネス基準をカバーします。
  論文  参考訳（メタデータ） (2022-10-19T10:44:21Z)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)

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。