論文の概要: Toward Equitable Recovery: A Fairness-Aware AI Framework for Prioritizing Post-Flood Aid in Bangladesh

• arxiv url: http://arxiv.org/abs/2512.22210v1
• Date: Mon, 22 Dec 2025 03:45:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-30 22:37:29.891037
• Title: Toward Equitable Recovery: A Fairness-Aware AI Framework for Prioritizing Post-Flood Aid in Bangladesh
• Title（参考訳）: エクイタブルリカバリに向けたバングラデシュの洪水後の援助を優先するフェアネス対応AIフレームワーク
• Authors: Farjana Yesmin, Romana Akter,
• Abstract要約: 発展途上国における災害後の援助配分は、脆弱な地域での体系的な偏見に悩まされることが多い。 本稿では,バングラデシュにおけるフルート後援助の優先順位付けのための公平性を考慮した人工知能フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Post-disaster aid allocation in developing nations often suffers from systematic biases that disadvantage vulnerable regions, perpetuating historical inequities. This paper presents a fairness-aware artificial intelligence framework for prioritizing post-flood aid distribution in Bangladesh, a country highly susceptible to recurring flood disasters. Using real data from the 2022 Bangladesh floods that affected 7.2 million people and caused 405.5 million US dollars in damages, we develop an adversarial debiasing model that predicts flood vulnerability while actively removing biases against marginalized districts and rural areas. Our approach adapts fairness-aware representation learning techniques from healthcare AI to disaster management, employing a gradient reversal layer that forces the model to learn bias-invariant representations. Experimental results on 87 upazilas across 11 districts demonstrate that our framework reduces statistical parity difference by 41.6 percent, decreases regional fairness gaps by 43.2 percent, and maintains strong predictive accuracy (R-squared=0.784 vs baseline 0.811). The model generates actionable priority rankings ensuring aid reaches the most vulnerable populations based on genuine need rather than historical allocation patterns. This work demonstrates how algorithmic fairness techniques can be effectively applied to humanitarian contexts, providing decision-makers with tools to implement more equitable disaster recovery strategies.
• Abstract（参考訳）: 発展途上国における災害後の援助配分は、しばしば、脆弱な地域を弱め、歴史的不平等を持続する体系的なバイアスに悩まされる。 本稿では,バングラデシュにおける洪水災害の再発を受けやすい地域において,災害後支援の優先順位付けを行うための公正な人工知能フレームワークを提案する。 2022年のバングラデシュの洪水の実際のデータから720万人が被害を受け、405.5億ドルの損害を被った。 我々のアプローチは、医療AIから災害管理まで、公正に意識した表現学習技術を適用し、バイアス不変表現の学習をモデルに強制する勾配反転層を活用する。 11地区87カ所のアパジラ実験の結果、我々のフレームワークは統計的パリティの差を41.6%減らし、地域フェアネスのギャップを43.2%減らし、強い予測精度を維持している(R-squared=0.784対ベースライン0.811)。 このモデルは、歴史的アロケーションパターンよりも真のニーズに基づいて、援助が最も脆弱な人口に達することを保証し、行動可能な優先順位付けを生成する。 この研究は、人道的文脈にアルゴリズムフェアネス技術が効果的に適用できることを示し、意思決定者により公平な災害復旧戦略を実装するためのツールを提供する。

関連論文リスト

• A Lightweight LLM Framework for Disaster Humanitarian Information Classification [0.0]
  本稿では,パラメータ効率の良い微調整を用いた災害時ツイート分類のための軽量で費用対効果の高いフレームワークを開発する。 我々はHumAIDデータセットの統合と正規化により統一された実験コーパスを構築する。 我々は、LoRAが79.62%の人道的分類精度(+37.79%以上のゼロショット)を達成する一方で、パラメータの2%しか訓練していないことを示した。
  論文  参考訳（メタデータ） (2026-01-21T02:05:25Z)
• Mitigating Spatial Disparity in Urban Prediction Using Residual-Aware Spatiotemporal Graph Neural Networks: A Chicago Case Study [8.027373700091331]
  交通流、温度、犯罪率などの都市予測タスクは、効率的な都市計画と管理に不可欠である。 既存の時空間グラフニューラルネットワーク(ST-GNN)は、その予測における空間的および人口的格差を見越して、精度にのみ依存することが多い。 本研究では,Residual-Aware Attention (RAA) ブロックと,これらの相違に対処するための等価性向上損失関数を導入する。
  論文  参考訳（メタデータ） (2025-01-20T01:28:49Z)
• BRIGHT: A globally distributed multimodal building damage assessment dataset with very-high-resolution for all-weather disaster response [50.76124284445902]
  ビル被害評価(BDA)は、人的被害を減らすために災害後の重要な能力である。 近年の研究では、目に見えない災害事象の正確なマッピングを実現するためのAIモデルの開発に焦点が当てられている。 本稿では, veRy-hIGH-resoluTion Optical and SAR image (BRIGHT) を用いたBDAデータセットを提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:57:18Z)
• CausalDiff: Causality-Inspired Disentanglement via Diffusion Model for Adversarial Defense [61.78357530675446]
  人間は、本質的な要因のみに基づいて判断するので、微妙な操作によって騙されるのは難しい。 この観察に触発されて、本質的なラベル因果因子を用いたラベル生成をモデル化し、ラベル非因果因子を組み込んでデータ生成を支援する。 逆の例では、摂動を非因果因子として識別し、ラベル因果因子のみに基づいて予測することを目的としている。
  論文  参考訳（メタデータ） (2024-10-30T15:06:44Z)
• FaultGuard: A Generative Approach to Resilient Fault Prediction in Smart Electrical Grids [53.2306792009435]
  FaultGuardは、障害タイプとゾーン分類のための最初のフレームワークであり、敵攻撃に耐性がある。 本稿では,ロバスト性を高めるために,低複雑性故障予測モデルとオンライン逆行訓練手法を提案する。 本モデルでは,耐故障予測ベンチマークの最先端を最大0.958の精度で上回っている。
  論文  参考訳（メタデータ） (2024-03-26T08:51:23Z)
• Causal Machine Learning for Cost-Effective Allocation of Development Aid [26.849801157647057]
  本研究では,援助給付金の不均一な処理効果を予測するための因果機械学習フレームワークを開発した。 本研究では, 半合成データを用いた不均一な処理応答曲線の計算に成功していることを示す。 我々の枠組みは、より効果的なエイズ割り当てのための大きな機会を示し、新しいHIV感染症の総数は最大3.3%減少する可能性があることを示唆している。
  論文  参考訳（メタデータ） (2024-01-30T13:15:59Z)
• The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
  解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。 そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。 我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
  論文  参考訳（メタデータ） (2024-01-16T19:16:22Z)
• 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)
• Dwelling Type Classification for Disaster Risk Assessment Using Satellite Imagery [3.88838725116957]
  周辺地域の危険度とリスク評価は, 災害対策に不可欠である。 既存のシステムは、時間と費用のかかるフィールドサーベイに依存するため、警告を解読し、超局所的なレベルでリスクの正確な範囲を評価するスケーラブルな方法を提供していない。 この研究において、機械学習は住居とそのタイプを特定するプロセスを自動化するために使用され、潜在的に効果的な災害脆弱性評価システムを構築した。
  論文  参考訳（メタデータ） (2022-11-16T03:08:15Z)
• Under the Radar -- Auditing Fairness in ML for Humanitarian Mapping [15.241948239953444]
  宇宙からの人道的マッピングアプローチが予測に偏りがあるかどうかを考察する。 本研究では、夜間光(NTL)に基づくインドにおける村レベルの貧困度と電力消費量を、線形回帰とランダムな森林を用いてマップする。 その結果,貧困は体系的に過大評価され,系統的に過小評価されていることが示唆された。
  論文  参考訳（メタデータ） (2021-08-04T16:11:39Z)
• Generating Interpretable Poverty Maps using Object Detection in Satellite Images [80.35540308137043]
  衛星画像に物体検出装置を適用することにより、局所レベルでの貧困を正確に予測するための解釈可能な計算手法を実証する。 対象物の重み付けを特徴として、ウガンダの村レベルの貧困を予測する0.539 Pearson's r2を達成し、既存の(解釈不可能でない)ベンチマークよりも31%改善した。
  論文  参考訳（メタデータ） (2020-02-05T02:50:01Z)

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。