論文の概要: Capacity Constraints Make Admissions Processes Less Predictable

• arxiv url: http://arxiv.org/abs/2601.11513v1
• Date: Fri, 16 Jan 2026 18:48:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-19 20:21:50.603105
• Title: Capacity Constraints Make Admissions Processes Less Predictable
• Title（参考訳）: キャパシティ制約は、アドミッションプロセスの予測を下方修正する
• Authors: Evan Dong, Nikhil Garg, Sarah Dean,
• Abstract要約: 受験決定がキャパシティに制限されているかを示し、受験者が応募する他の応募者に依存しているかどうかを示す。 この依存が予測性能にどのように影響するかは、そうでなければ理想的な設定でも示します。 我々の研究は、個々の受入確率を予測する信頼性に関する疑問を提起する。
• 参考スコア（独自算出の注目度）: 11.377217972457936
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning models are often used to make predictions about admissions process outcomes, such as for colleges or jobs. However, such decision processes differ substantially from the conventional machine learning paradigm. Because admissions decisions are capacity-constrained, whether a student is admitted depends on the other applicants who apply. We show how this dependence affects predictive performance even in otherwise ideal settings. Theoretically, we introduce two concepts that characterize the relationship between admission function properties, machine learning representation, and generalization to applicant pool distribution shifts: instability, which measures how many existing decisions can change when a single new applicant is introduced; and variability, which measures the number of unique students whose decisions can change. Empirically, we illustrate our theory on individual-level admissions data from the New York City high school matching system, showing that machine learning performance degrades as the applicant pool increasingly differs from the training data. Furthermore, there are larger performance drops for schools using decision rules that are more unstable and variable. Our work raises questions about the reliability of predicting individual admissions probabilities.
• Abstract（参考訳）: 機械学習モデルは、大学や仕事など、入学のプロセス結果の予測にしばしば使用される。 しかし、そのような決定過程は従来の機械学習のパラダイムとは大きく異なる。 入学決定はキャパシティに制約があるため、学生が入学するかどうかは、申請する他の申請者次第である。 この依存が予測性能にどのように影響するかは、そうでなければ理想的な設定でも示します。 理論的には、入場機能特性、機械学習表現、入場者プール分布への一般化の関係を特徴付ける2つの概念を導入する。 実証的に、ニューヨーク市の高校マッチングシステムによる個人レベルの入学データに関する理論を概説し、応募者プールがトレーニングデータと相違するにつれて、機械学習のパフォーマンスが低下することを示す。 さらに、より不安定で変動しやすい決定ルールを使用する学校でのパフォーマンス低下も大きい。 我々の研究は、個々の受入確率を予測する信頼性に関する疑問を提起する。

関連論文リスト

• Learning to Represent Individual Differences for Choice Decision Making [37.97312716637515]
  我々は、表現学習を用いて、経済的な意思決定タスクにおいて、人のパフォーマンスの個人差を特徴づける。 表現学習を用いて個人差を捉えたモデルは、決定予測を一貫して改善することを示した。 この結果から,表現学習は個人差を捉えるのに有用で柔軟なツールであることが示唆された。
  論文  参考訳（メタデータ） (2025-03-27T17:10:05Z)
• Temporal and Between-Group Variability in College Dropout Prediction [0.0]
  本研究では,機械学習モデルの寄与要因と予測性能を体系的に評価する。 最終年度末の降雨予測は,ランダムフォレストモデルによる入園時よりも20%高い値を示した。 学生集団間の多様性に関して、大学GPAは、伝統的に不利な背景を持つ学生にとって、仲間よりも予測的価値が高い。
  論文  参考訳（メタデータ） (2024-01-12T10:43:55Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Arbitrariness and Social Prediction: The Confounding Role of Variance in Fair Classification [31.392067805022414]
  異なる訓練されたモデル間での予測のばらつきは、公正なバイナリ分類における重要な、未探索のエラーの原因である。 実際には、いくつかのデータ例のばらつきは非常に大きいので、決定を効果的に任意にすることができる。 予測が任意である場合に分類を省略するアンサンブルアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-01-27T06:52:04Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Improving Fairness and Privacy in Selection Problems [21.293367386282902]
  教師付き学習モデルの公平性とプライバシーの両方を改善するための後処理のステップとして、微分的プライベート指数関数機構を使用することの可能性を検討する。 この指数関数的メカニズムは, プライバシと公平性の両方を向上し, ポストプロセッシングを伴わないモデルと比較して, 精度がわずかに低下することを示した。
  論文  参考訳（メタデータ） (2020-12-07T15:55:28Z)
• Dropping Standardized Testing for Admissions Trades Off Information and Access [2.354619015221828]
  フェアネスを考慮したキャパシティ制約選択問題における情報とアクセスの役割について検討する。 我々は,各応募者が複数の特徴を持ち,潜在的に戦略的である理論的統計的識別フレームワークを開発する。 当社の枠組みは,大学入試における標準化試験の廃止に関する最近の政策討論への自然な応用を見出したものである。
  論文  参考訳（メタデータ） (2020-10-09T07:07:28Z)

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。