論文の概要: Visibility Allocation Systems: How Algorithmic Design Shapes Online Visibility and Societal Outcomes
- arxiv url: http://arxiv.org/abs/2510.17241v1
- Date: Mon, 20 Oct 2025 07:28:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 00:56:39.349469
- Title: Visibility Allocation Systems: How Algorithmic Design Shapes Online Visibility and Societal Outcomes
- Title（参考訳）: 可視性アロケーションシステム: アルゴリズム設計がオンライン可視性と社会的成果をどのように形作るか
- Authors: Stefania Ionescu, Robin Forsberg, Elsa Lichtenegger, Salima Jaoua, Kshitijaa Jaglan, Florian Dorfler, Aniko Hannak,
- Abstract要約: 可視性アロケーションシステム(VAS)の形式的フレームワークを導入する。
VASは、どの(処理された)データを人間のユーザに提供するかを決定する。
我々のフレームワークは、義務の特定、システム的リスクの定量化、適応的コンプライアンスの実現のために、現在進行中のAI立法活動をサポートすることができるかを示します。
- 参考スコア（独自算出の注目度）: 0.5863360388454261
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Throughout application domains, we now rely extensively on algorithmic systems to engage with ever-expanding datasets of information. Despite their benefits, these systems are often complex (comprising of many intricate tools, e.g., moderation, recommender systems, prediction models), of unknown structure (due to the lack of accompanying documentation), and having hard-to-predict yet potentially severe downstream consequences (due to the extensive use, systematic enactment of existing errors, and many comprising feedback loops). As such, understanding and evaluating these systems as a whole remains a challenge for both researchers and legislators. To aid ongoing efforts, we introduce a formal framework for such visibility allocation systems (VASs) which we define as (semi-)automated systems deciding which (processed) data to present a human user with. We review typical tools comprising VASs and define the associated computational problems they solve. By doing so, VASs can be decomposed into sub-processes and illustrated via data flow diagrams. Moreover, we survey metrics for evaluating VASs throughout the pipeline, thus aiding system diagnostics. Using forecasting-based recommendations in school choice as a case study, we demonstrate how our framework can support VAS evaluation. We also discuss how our framework can support ongoing AI-legislative efforts to locate obligations, quantify systemic risks, and enable adaptive compliance.
- Abstract（参考訳）: アプリケーションドメイン全体を通じて、私たちは、絶えず広がる情報のデータセットを扱うために、アルゴリズムシステムに大きく依存しています。
それらの利点にもかかわらず、これらのシステムは、しばしば複雑(例えば、モデレーション、レコメンダシステム、予測モデルなど)で、未知の構造(付随するドキュメントがないため)で、予測が難しいが、ダウンストリームの結果(広範囲な使用、既存のエラーの体系的な実行、多くのフィードバックループ)がある。
したがって、これらのシステムを全体として理解し評価することは、研究者と立法者の両方にとって課題である。
そこで我々は,このような可視性アロケーションシステム(VAS)の形式的枠組みを導入する。
我々は、VASを構成する典型的なツールをレビューし、それらが解決する関連する計算問題を定義する。
これによって、VASはサブプロセスに分解され、データフロー図を通じて説明される。
さらに,パイプライン全体のVASを評価するためのメトリクスを調査し,システム診断を支援する。
学校選択における予測に基づくレコメンデーションをケーススタディとして、我々のフレームワークがVAS評価をどのようにサポートするかを示す。
また、我々のフレームワークは、義務の特定、システム的リスクの定量化、適応的コンプライアンスの実現のために、現在進行中のAI立法活動をどのようにサポートできるかについても議論する。
関連論文リスト
- Barbarians at the Gate: How AI is Upending Systems Research [58.95406995634148]
システム研究は、新しいパフォーマンス指向アルゴリズムの設計と評価に長年注力してきたが、AI駆動のソリューション発見には特に適している、と私たちは主張する。
このアプローチをAI駆動システム研究(ADRS)と呼び、ソリューションを反復的に生成し、評価し、洗練する。
我々の研究結果は、AI時代のシステム研究の実践に急激な適応の必要性と破壊的な可能性を浮き彫りにしている。
論文 参考訳（メタデータ） (2025-10-07T17:49:24Z) - Data-Driven Probabilistic Evaluation of Logic Properties with PAC-Confidence on Mealy Machines [0.0]
本稿では,メアリーマシンという形で抽象的なCPSを考える。
我々は,n段階の有限地平線上でのシステムの安全性確率を決定するためのデータ駆動型手法を提案する。
自動車線維持システムにおけるケーススタディによるアプローチの検証を行った。
論文 参考訳（メタデータ） (2025-08-20T13:38:52Z) - Systematic Evaluation of Knowledge Graph Repair with Large Language Models [12.105264212919018]
形状制約言語(SHACL)で定義された制約違反に関して,知識グラフ修復の品質を評価するための体系的アプローチを提案する。
提案手法は, 違反誘発動作(VIO)と呼ばれる新しい機構を用いて, 違反を系統的に発生させることにより, このギャップに対処する。
その結果、関連するSHACL制約を含む簡潔なプロンプトと、知識グラフからの重要な文脈情報の両方が、最高の性能をもたらすことが示唆された。
論文 参考訳（メタデータ） (2025-07-30T06:46:30Z) - Stream-Based Monitoring of Algorithmic Fairness [4.811789437743092]
ストリームベースのモニタリングは,実行時の決定と予測システムのアルゴリズム的公正性を検証するためのソリューションとして提案されている。
本稿では,仕様言語 RTLola における時空間データストリームに対するアルゴリズム的公正性を定式化する方法を提案する。
論文 参考訳（メタデータ） (2025-01-30T13:18:59Z) - A Comprehensive Survey on Underwater Image Enhancement Based on Deep Learning [51.7818820745221]
水中画像強調(UIE)はコンピュータビジョン研究において重要な課題である。
多数のUIEアルゴリズムが開発されているにもかかわらず、網羅的で体系的なレビューはいまだに欠落している。
論文 参考訳（メタデータ） (2024-05-30T04:46:40Z) - Embedding in Recommender Systems: A Survey [54.55152033023537]
本調査では,レコメンデータシステム埋め込み技術の進歩を包括的に分析する。
マトリックスベースのシナリオでは、協調フィルタリングはユーザの好みを効果的にモデル化する埋め込みを生成する。
パフォーマンス向上のため,AutoMLやハッシュ技術,量子化手法など,新たなアプローチを導入する。
論文 参考訳（メタデータ） (2023-10-28T06:31:06Z) - Interactive System-wise Anomaly Detection [66.3766756452743]
異常検出は様々なアプリケーションにおいて基本的な役割を果たす。
既存のメソッドでは、インスタンスがデータとして容易に観察できないシステムであるシナリオを扱うのが難しい。
システム埋め込みを学習するエンコーダデコーダモジュールを含むエンドツーエンドアプローチを開発する。
論文 参考訳（メタデータ） (2023-04-21T02:20:24Z) - Agnostic Visual Recommendation Systems: Open Challenges and Future Directions [4.922572106422333]
ビジュアライゼーション・レコメンデーション・システム(VRS)は、データから洞察に富んだ可視化を作成することを目的とした、新しくて挑戦的な研究分野である。
人間が提供する制約やルールに頼らず、自律的にタスクを学習しようとするため、私たちはVRSを"認識的"と表現します。
本稿では,VRSに関する文献を要約し,今後の研究の方向性について概説する。
論文 参考訳（メタデータ） (2023-02-01T16:44:39Z) - A Survey of Graph-based Deep Learning for Anomaly Detection in
Distributed Systems [2.3551989288556774]
分散システムにおける異常を識別するグラフベースのアルゴリズムの可能性を探る。
私たちの目標の1つは、現実の課題に対処する能力を概念的に分析するグラフベースのアプローチについて、詳細な調査を行うことです。
本研究は,その分野における現状研究論文の概要と,その特性を比較比較・比較するものである。
論文 参考訳（メタデータ） (2022-06-08T20:19:28Z)
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。