論文の概要: Marginal Fairness: Fair Decision-Making under Risk Measures

• arxiv url: http://arxiv.org/abs/2505.18895v1
• Date: Sat, 24 May 2025 22:44:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-27 16:58:42.732884
• Title: Marginal Fairness: Fair Decision-Making under Risk Measures
• Title（参考訳）: マルジナルフェアネス : リスク対策による公正な意思決定
• Authors: Fei Huang, Silvana M. Pesenti,
• Abstract要約: 本稿では,保護属性の存在下での公平な意思決定のための新しい個人的公正概念である限界公正について紹介する。 我々は、高度に規制された産業(保険や金融など)におけるビジネス意思決定を2段階のプロセスとしてモデル化する。 自己保険データセットを用いた数値的研究と経験的実装は、このフレームワークを実際にどのように適用できるかを実証する。
• 参考スコア（独自算出の注目度）: 24.99817090886293
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This paper introduces marginal fairness, a new individual fairness notion for equitable decision-making in the presence of protected attributes such as gender, race, and religion. This criterion ensures that decisions based on generalized distortion risk measures are insensitive to distributional perturbations in protected attributes, regardless of whether these attributes are continuous, discrete, categorical, univariate, or multivariate. To operationalize this notion and reflect real-world regulatory environments (such as the EU gender-neutral pricing regulation), we model business decision-making in highly regulated industries (such as insurance and finance) as a two-step process: (i) a predictive modeling stage, in which a prediction function for the target variable (e.g., insurance losses) is estimated based on both protected and non-protected covariates; and (ii) a decision-making stage, in which a generalized distortion risk measure is applied to the target variable, conditional only on non-protected covariates, to determine the decision. In this second step, we modify the risk measure such that the decision becomes insensitive to the protected attribute, thus enforcing fairness to ensure equitable outcomes under risk-sensitive, regulatory constraints. Furthermore, by utilizing the concept of cascade sensitivity, we extend the marginal fairness framework to capture how dependencies between covariates propagate the influence of protected attributes through the modeling pipeline. A numerical study and an empirical implementation using an auto insurance dataset demonstrate how the framework can be applied in practice.
• Abstract（参考訳）: 本稿では,男女・人種・宗教などの保護的属性の存在下での公平な意思決定のための,新たな個人的公正性の概念である「限界公正性」を紹介する。 この基準は、一般的な歪みリスク尺度に基づく決定が、それらの属性が連続的、離散的、分類的、一変的、多変量であるかどうかにかかわらず、保護属性の分散摂動に無関心であることを保証する。 この概念を運用し、現実の規制環境(EUのジェンダー中立的な価格規制など)を反映するために、高度に規制された産業(保険や金融など)におけるビジネス意思決定を2段階のプロセスとしてモデル化する。 一 保護変数及び非保護変数の両方に基づいて目標変数(保険損失等)の予測関数を推定する予測モデリング段階 2 汎用歪みリスク尺度を対象変数に適用する決定段階であって、非保護共変量のみを条件として、その決定を決定すること。 この第2のステップでは、リスク尺度を変更して、決定が保護された属性に無関心になるようにし、公正性を適用して、リスクに敏感で規制的な制約の下での公平な結果を保証する。 さらに,カスケード感度の概念を利用することで,共変量間の依存関係がモデルパイプラインを通して保護属性の影響を伝播する様子を捉えるために,限界フェアネスフレームワークを拡張した。 自己保険データセットを用いた数値的研究と経験的実装は、このフレームワークを実際にどのように適用できるかを実証する。

関連論文リスト

• SConU: Selective Conformal Uncertainty in Large Language Models [59.25881667640868]
  SconU(Selective Conformal Uncertainity)と呼ばれる新しいアプローチを提案する。 我々は,特定の管理可能なリスクレベルで設定されたキャリブレーションの不確実性分布から,与えられたサンプルが逸脱するかどうかを決定するのに役立つ2つの共形p値を開発する。 我々のアプローチは、単一ドメインと学際的コンテキストの両方にわたる誤発見率の厳密な管理を促進するだけでなく、予測の効率を高める。
  論文  参考訳（メタデータ） (2025-04-19T03:01:45Z)
• Discrimination-free Insurance Pricing with Privatized Sensitive Attributes [13.511945406946602]
  保険は、この点において注目に値する分野の1つである。 確立された概念に従って公正を達成することは、保険の公正な価格を自動的に保証するものではない。 本稿では,保険ドメインに適した公正なモデルを構築するための効率的な方法を提案する。
  論文  参考訳（メタデータ） (2025-04-16T05:29:11Z)
• Uncertainty Quantification and Causal Considerations for Off-Policy Decision Making [4.514386953429771]
  オフ政治評価(OPE)は、異なる政策の下で収集されたデータを用いて、新しい政策のパフォーマンスを評価する。 既存のOPE手法は、統計的不確実性や因果的考慮から生じるいくつかの制限に悩まされている。 結果の限界分布に着目して分散を低減する新しい OPE 手法である Marginal Ratio (MR) 推定器を導入する。 次に,OPEにおける不確実性定量化の原理的アプローチである Conformal Off-Policy Prediction (COPP) を提案する。 最後に, 政策外の意思決定における因果不確定性に対処する。
  論文  参考訳（メタデータ） (2025-02-09T20:05:19Z)
• Know Where You're Uncertain When Planning with Multimodal Foundation Models: A Formal Framework [54.40508478482667]
  認識と計画生成の不確実性を解消し、定量化し、緩和する包括的枠組みを提案する。 本稿では,知覚と意思決定の独特な性質に合わせた手法を提案する。 この不確実性分散フレームワークは, 変動率を最大40%削減し, タスク成功率をベースラインに比べて5%向上させることを示した。
  論文  参考訳（メタデータ） (2024-11-03T17:32:00Z)
• Data-Adaptive Tradeoffs among Multiple Risks in Distribution-Free Prediction [55.77015419028725]
  しきい値とトレードオフパラメータが適応的に選択された場合、リスクの有効な制御を可能にする手法を開発する。 提案手法は単調なリスクとほぼ単調なリスクをサポートするが,それ以外は分布的な仮定はしない。
  論文  参考訳（メタデータ） (2024-03-28T17:28:06Z)
• From Risk to Uncertainty: Generating Predictive Uncertainty Measures via Bayesian Estimation [5.355925496689674]
  私たちは、異なる予測の不確実性対策を作成できるフレームワークを構築します。 本手法は,分布外および誤分類インスタンスの検出において,その性能を評価することにより,画像データセット上での検証を行う。
  論文  参考訳（メタデータ） (2024-02-16T14:40:22Z)
• Group Fairness with Uncertainty in Sensitive Attributes [34.608332397776245]
  公正な予測モデルは、ハイテイクなアプリケーションにおける少数派グループに対する偏見のある決定を緩和するために不可欠である。 本稿では, 感度特性の不確実性にも拘わらず, フェアネスの目標レベルを達成するブートストラップに基づくアルゴリズムを提案する。 本アルゴリズムは離散的属性と連続的属性の両方に適用可能であり,実世界の分類や回帰作業に有効である。
  論文  参考訳（メタデータ） (2023-02-16T04:33:00Z)
• Off-Policy Confidence Interval Estimation with Confounded Markov Decision Process [14.828039846764549]
  システム力学における動作の影響を媒介する補助変数によっては、マルコフ決定過程において対象ポリシーの値が識別可能であることを示す。 提案手法は, ライドシェアリング会社から得られた理論的結果, シミュレーション, 実データによって正当化される。
  論文  参考訳（メタデータ） (2022-02-22T00:03:48Z)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Learning Bounds for Risk-sensitive Learning [86.50262971918276]
  リスクに敏感な学習では、損失のリスク・アバース(またはリスク・シーキング)を最小化する仮説を見つけることを目的としている。 最適化された確実性等価性によって最適性を記述するリスク感応学習スキームの一般化特性について検討する。
  論文  参考訳（メタデータ） (2020-06-15T05:25:02Z)

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。