Fugu-MT 論文翻訳(概要): Individual and group fairness in geographical partitioning

論文の概要: Individual and group fairness in geographical partitioning

arxiv url: http://arxiv.org/abs/2511.19722v1
Date: Mon, 24 Nov 2025 21:34:51 GMT
ステータス: 翻訳完了
システム内更新日: 2025-11-26 17:37:04.172066
Title: Individual and group fairness in geographical partitioning
Title（参考訳）: 地理的分割における個人的・集団的公正性
Authors: Ilya O. Ryzhov, John Gunnar Carlsson, Yinchu Zhu,
Abstract要約: 我々は、人口が不均一な地理的分割問題の新しいクラスを定式化する。最適解は加法重み付きボロノイ図形の新しい一般化であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Socioeconomic segregation often arises in school districting and other contexts, causing some groups to be over- or under-represented within a particular district. This phenomenon is closely linked with disparities in opportunities and outcomes. We formulate a new class of geographical partitioning problems in which the population is heterogeneous, and it is necessary to ensure fair representation for each group at each facility. We prove that the optimal solution is a novel generalization of the additively weighted Voronoi diagram, and we propose a simple and efficient algorithm to compute it, thus resolving an open question dating back to Dvoretzky et al. (1951). The efficacy and potential for practical insight of the approach are demonstrated in a realistic case study involving seven demographic groups and $78$ district offices.
Abstract（参考訳）: 社会経済的分離は、しばしば学校の地区化やその他の文脈で起こり、ある集団は特定の地区内で過剰あるいは過小評価される。この現象は機会と結果の格差と密接に関連している。人口が不均一な地理的分割問題の新しいクラスを定式化し,各施設における各グループに対する公平な表現を確保する必要がある。最適解は加法重み付きボロノイ図の新たな一般化であることが証明され、これを計算するための単純かつ効率的なアルゴリズムを提案し、ドヴォルツキーら (1951) にさかのぼる解答を解く。 7つの人口集団と780ドルの地方事務所を含む現実的なケーススタディにおいて、アプローチの実践的洞察の有効性と可能性を実証した。

関連論文リスト

Demographic-Agnostic Fairness without Harm [15.171262544838337]
機械学習アルゴリズムは、社会的ドメインにおいて、人間について予測するためにますます使われている。これらのアルゴリズムが特定の社会集団に対する偏見を示すのではないかという懸念が高まっている。本研究では, 調和最適化アルゴリズムを使わずに, 新たなテクスタイトデデマトグラフィー・アノスティックフェアネスを提案する。
論文参考訳（メタデータ） (2025-09-28T21:23:32Z)
Accelerating Spectral Clustering under Fairness Constraints [56.865810822418744]
本研究では,Fair SC問題を凸関数(DC)フレームワークの差内にキャストすることで,フェアスペクトルクラスタリング(Fair SC)のための新しい効率的な手法を提案する。本研究では,各サブプロブレムを効率よく解き,計算効率が先行処理よりも高いことを示す。
論文参考訳（メタデータ） (2025-06-09T18:46:27Z)
Fairness of Deep Ensembles: On the interplay between per-group task difficulty and under-representation [9.11104048176204]
組立は、機械学習におけるモデルの一般的な性能を改善する効果的な方法として一般的に考えられている。単純で簡単な手法が相違を緩和し、特に性能の低い部分群に利益をもたらすことを示す。我々は,サブグループ下表現と各グループ固有の課題の難易度という,バイアスをもたらす可能性のある2つの要因間の相互作用を分析した。
論文参考訳（メタデータ） (2025-01-24T14:54:01Z)
What Constitutes a Less Discriminatory Algorithm? [2.842548870013324]
形式的なLDA定義は、保持データがない場合に予測モデルを評価し、比較しようとすると、根本的な問題に直面します。当社は、企業と原告の両方が、社会的目標に合う代替モデルを検索できる枠組みを提唱した。
論文参考訳（メタデータ） (2024-12-24T03:49:48Z)
Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
論文参考訳（メタデータ） (2023-01-12T14:02:49Z)
Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文参考訳（メタデータ） (2022-01-17T10:49:49Z)
MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。提案するフレームワークは多くの異なる設定に一般化可能である。
論文参考訳（メタデータ） (2021-05-24T02:30:22Z)
Fairmandering: A column generation heuristic for fairness-optimized political districting [0.0]
アメリカの当選者全選挙区制は、政治家に選挙区境界を操作することで選挙結果を作る権限を与えている。既存の計算ソリューションは主に、政治的、人口統計学的入力を無視して、偏見のない地図を描くことに集中し、代わりに単にコンパクト性のために最適化する。コンパクトさと公正さは品質であるので、これは欠点のあるアプローチであり、公正性の任意の片方向線形定義を明示的に最適化するスケーラブルな2段階法を導入する。
論文参考訳（メタデータ） (2021-03-21T19:22:42Z)
A Pairwise Fair and Community-preserving Approach to k-Center Clustering [34.386585230600716]
クラスタリングは多くのアプリケーションで機械学習の基本的な問題である。クラスタリング設定,ペアワイズフェアネス,コミュニティ保存の2つの新しいフェアネスを定義した。
論文参考訳（メタデータ） (2020-07-14T22:32:27Z)
Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
論文参考訳（メタデータ） (2020-06-13T06:43:37Z)
Adaptive Region-Based Active Learning [57.78835999208091]
入力空間を有限個の領域に適応的に分割する新しい能動学習アルゴリズムを提案する。本稿では,アルゴリズムの一般化誤差とラベル複雑性の両立を理論的に保証する。いくつかの実世界のデータセットに対する広範な実験結果について報告する。
論文参考訳（メタデータ） (2020-02-18T03:16:36Z)

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。