論文の概要: FairLoop: Software Support for Human-Centric Fairness in Predictive Business Process Monitoring

• arxiv url: http://arxiv.org/abs/2508.20021v1
• Date: Wed, 27 Aug 2025 16:30:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.702523
• Title: FairLoop: Software Support for Human-Centric Fairness in Predictive Business Process Monitoring
• Title（参考訳）: FairLoop:予測ビジネスプロセスモニタリングにおける人中心フェアネスのソフトウェアサポート
• Authors: Felix Möhrlein, Martin Käppel, Julian Neuberger, Sven Weinzierl, Lars Ackermann, Martin Matzner, Stefan Jablonski,
• Abstract要約: ニューラルネットワークに基づく予測モデルにおいて、人間の誘導バイアス軽減のためのツールであるFairLoop1を提案する。 FairLoopはニューラルネットワークから決定木を抽出し、不公平な決定ロジックを検査し修正することができる。 それは、それらを一様に排除するのではなく、選択的にセンシティブな属性の影響に対処する。
• 参考スコア（独自算出の注目度）: 1.5831073048826505
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sensitive attributes like gender or age can lead to unfair predictions in machine learning tasks such as predictive business process monitoring, particularly when used without considering context. We present FairLoop1, a tool for human-guided bias mitigation in neural network-based prediction models. FairLoop distills decision trees from neural networks, allowing users to inspect and modify unfair decision logic, which is then used to fine-tune the original model towards fairer predictions. Compared to other approaches to fairness, FairLoop enables context-aware bias removal through human involvement, addressing the influence of sensitive attributes selectively rather than excluding them uniformly.
• Abstract（参考訳）: 性別や年齢などの敏感な属性は、予測ビジネスプロセス監視などの機械学習タスク、特にコンテキストを考慮せずに使用する場合において、不公平な予測につながる可能性がある。 ニューラルネットワークに基づく予測モデルにおいて、人間の誘導バイアス軽減のためのツールであるFairLoop1を提案する。 FairLoopはニューラルネットワークから決定木を抽出し、不公平な決定ロジックを検査し修正する。 公平性に対する他のアプローチと比較して、FairLoopは人間の関与を通じてコンテキスト認識バイアスの除去を可能にし、それらを一様に排除するのではなく、選択的にセンシティブな属性の影響に対処する。

関連論文リスト

• A Human-In-The-Loop Approach for Improving Fairness in Predictive Business Process Monitoring [1.6624933615451845]
  予測的プロセス監視は、ビジネスプロセスの実行インスタンスに対して、積極的に反応し、介入することを可能にする。 データ駆動型モデルの性質は、データの中に不公平、偏見、あるいは非倫理的なパターンを見つけるのに感受性がある。 本稿では,予測ビジネスプロセスモニタリングモデルにおいて,偏りのある決定を識別・修正するための,新しいモデルに依存しないアプローチを提案する。
  論文  参考訳（メタデータ） (2025-08-24T18:05:35Z)
• Achieving Group Fairness through Independence in Predictive Process Monitoring [0.0]
  予測プロセス監視は、特定のケースの結果を予測するなど、進行中のプロセス実行の将来の状態を予測することに焦点を当てる。 近年,この領域における機械学習モデルの適用は科学的な注目を集めている。 この研究は、独立性の調査による予測プロセス監視におけるグループフェアネス、すなわち、センシティブなグループメンバーシップによる予測が影響を受けないことを保証する。
  論文  参考訳（メタデータ） (2024-12-06T10:10:47Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• 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)
• D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
  D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。 ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。 それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
  論文  参考訳（メタデータ） (2022-08-10T03:41:48Z)
• Instance-Based Neural Dependency Parsing [56.63500180843504]
  依存関係解析のための解釈可能な推論プロセスを持つニューラルモデルを開発する。 私たちのモデルはインスタンスベースの推論を採用しており、トレーニングセットのエッジと比較することで、依存関係のエッジを抽出し、ラベル付けします。
  論文  参考訳（メタデータ） (2021-09-28T05:30:52Z)
• Interpretable Social Anchors for Human Trajectory Forecasting in Crowds [84.20437268671733]
  本研究では,人混みの軌跡を予測できるニューラルネットワークシステムを提案する。 解釈可能なルールベースのインテントを学び、ニューラルネットワークの表現可能性を利用してシーン固有の残差をモデル化する。 私たちのアーキテクチャは、インタラクション中心のベンチマークTrajNet++でテストされています。
  論文  参考訳（メタデータ） (2021-05-07T09:22:34Z)
• On complementing end-to-end human motion predictors with planning [31.025766804649464]
  人間の運動予測のための高容量エンドツーエンドアプローチは、人間の行動における微妙なニュアンスを表現する能力を持つが、分布入力やテールイベントから外れた頑健さに苦しむ。 一方、計画ベースの予測は、適切な予測を確実に出力できます。
  論文  参考訳（メタデータ） (2021-03-09T19:02:45Z)
• An Uncertainty-based Human-in-the-loop System for Industrial Tool Wear Analysis [68.8204255655161]
  人間のループシステムにおけるモンテカルロのドロップアウトに基づく不確実性対策により,システムの透明性と性能が向上することを示す。 シミュレーション研究により、不確実性に基づく「ループ内人間システム」は、様々なレベルの人間の関与に対する性能を高めることが示されている。
  論文  参考訳（メタデータ） (2020-07-14T15:47:37Z)

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。