論文の概要: Multi-party Computation Protocols for Post-Market Fairness Monitoring in Algorithmic Hiring: From Legal Requirements to Computational Designs

• arxiv url: http://arxiv.org/abs/2602.01837v1
• Date: Mon, 02 Feb 2026 09:09:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-03 19:28:34.025957
• Title: Multi-party Computation Protocols for Post-Market Fairness Monitoring in Algorithmic Hiring: From Legal Requirements to Computational Designs
• Title（参考訳）: アルゴリズム採用におけるポストマーケットフェアネスモニタリングのためのマルチパーティ計算プロトコル:法要件から計算設計へ
• Authors: Changyang He, Nina Baranowska, Josu Andoni Eguíluz Castañeira, Guillem Escriba, Matthias Juentgen, Anna Via, Frederik Zuiderveen Borgesius, Asia Biega,
• Abstract要約: 市場後の公正度監視は、リスクの高いAIシステムの公正性と説明責任を保証するために義務付けられている。 MPCは、市場の公正な監視に準拠する有望な技術基盤を提供する。 技術的関心が高まっているにもかかわらず、実世界の雇用状況におけるMPCベースの公正監視の運用は未だに不明である。
• 参考スコア（独自算出の注目度）: 6.199571659910412
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Post-market fairness monitoring is now mandated to ensure fairness and accountability for high-risk employment AI systems under emerging regulations such as the EU AI Act. However, effective fairness monitoring often requires access to sensitive personal data, which is subject to strict legal protections under data protection law. Multi-party computation (MPC) offers a promising technical foundation for compliant post-market fairness monitoring, enabling the secure computation of fairness metrics without revealing sensitive attributes. Despite growing technical interest, the operationalization of MPC-based fairness monitoring in real-world hiring contexts under concrete legal, industrial, and usability constraints remains unknown. This work addresses this gap through a co-design approach integrating technical, legal, and industrial expertise. We identify practical design requirements for MPC-based fairness monitoring, develop an end-to-end, legally compliant protocol spanning the full data lifecycle, and empirically validate it in a large-scale industrial setting. Our findings provide actionable design insights as well as legal and industrial implications for deploying MPC-based post-market fairness monitoring in algorithmic hiring systems.
• Abstract（参考訳）: EU AI法のような新たな規制の下で、リスクの高い雇用AIシステムの公正性と説明責任を確保するために、市場後の公正度監視が義務付けられている。 しかし、効果的な公正監視は、しばしば機密性の高い個人情報へのアクセスを必要とし、データ保護法の下で厳格な法的保護を受ける。 マルチパーティ計算(MPC)は、市場後フェアネス監視に準拠するための有望な技術基盤を提供する。 技術的関心の高まりにもかかわらず、具体的な法律、産業、ユーザビリティの制約の下での実世界の雇用状況におけるMPCベースの公正度監視の運用は依然として不明である。 この研究は、技術、法律、産業の専門知識を統合する共同設計アプローチを通じて、このギャップに対処する。 我々は,MPCに基づく公正度モニタリングの実践的設計要件を特定し,全データライフサイクルにまたがるエンドツーエンドで法的に準拠したプロトコルを開発し,大規模産業環境で実証的に検証する。 本研究は,MPCをベースとしたポストマーケットフェアネスモニタリングを,アルゴリズム採用システムに展開する上での法的,産業的意味だけでなく,実用的な設計上の洞察を提供する。

関連論文リスト

• Safe and Certifiable AI Systems: Concepts, Challenges, and Lessons Learned [45.44933002008943]
  この白書は、T"UV AUSTRIA Trusted AIフレームワークを提示する。 エンド・ツー・エンドの監査カタログであり、機械学習システムの評価と認定のための方法論である。 セキュアなソフトウェア開発、機能要件、倫理とデータプライバシという3つの柱の上に構築されているのは、EU AI Actの高レベルの義務を、特定かつテスト可能な基準に翻訳するものです。
  論文  参考訳（メタデータ） (2025-09-08T17:52:08Z)
• Regulating Ai In Financial Services: Legal Frameworks And Compliance Challenges [0.0]
  金融サービスにおける人工知能(AI)規制の進展状況について考察する。 不正検出からアルゴリズム取引まで、AI駆動のプロセスがいかに効率性を高め、重大なリスクをもたらすかを強調している。 この研究は、欧州連合、米国、英国などの主要な司法管轄区域における規制のアプローチを比較している。
  論文  参考訳（メタデータ） (2025-03-17T14:29:09Z)
• Do Not Trust Licenses You See: Dataset Compliance Requires Massive-Scale AI-Powered Lifecycle Tracing [45.6582862121583]
  本稿では,データセットの法的リスクは,ライセンス条項だけでは正確に評価できないことを論じる。 データセットの再配布と完全なライフサイクルの追跡が不可欠である、と同社は主張する。 我々は、AIが人間の専門家よりも高い精度、効率、コスト効率でこれらのタスクを実行できることを示した。
  論文  参考訳（メタデータ） (2025-03-04T16:57:53Z)
• Powering LLM Regulation through Data: Bridging the Gap from Compute Thresholds to Customer Experiences [0.0]
  本稿では,計算レベルのしきい値と一般化モデル評価に着目した現在の規制手法は,特定のLCMベースのユーザエクスペリエンスの安全性と有効性を保証するには不十分である,と論じる。 本稿では,ユーザによる実際の体験と評価のための高品質データセットのキュレーションを中心とした認定プロセスへの移行を提案する。
  論文  参考訳（メタデータ） (2025-01-12T16:20:40Z)
• Legal Requirements Analysis [2.3349787245442966]
  法的な要件を解析し,その表現を例示する様々な手法について検討する。 機械分析可能な表現を規則から作成する代替案について述べる。
  論文  参考訳（メタデータ） (2023-11-23T09:31:57Z)
• Scalable Multi-Agent Reinforcement Learning for Residential Load Scheduling under Data Governance [5.37556626581816]
  マルチエージェント強化学習 (MARL) は, 協調型住宅負荷スケジューリング問題において, 顕著な進歩を遂げている。 MARLの最も一般的なパラダイムである集中型トレーニングは、通信制約のあるクラウドエッジ環境における大規模デプロイメントを制限する。 提案手法は,家庭の局所的な観察のみに基づく個人評論家の学習機能である,アクタ批判的手法に基づく。
  論文  参考訳（メタデータ） (2021-10-06T14:05:26Z)
• Trustworthy AI Inference Systems: An Industry Research View [58.000323504158054]
  我々は、信頼できるAI推論システムの設計、展開、運用にアプローチするための業界調査ビューを提供する。 信頼された実行環境を用いたAIシステムの機会と課題を強調します。 我々は,産業,アカデミック,政府研究者のグローバルな集団的注意を必要とする,さらなる発展の分野を概説する。
  論文  参考訳（メタデータ） (2020-08-10T23:05:55Z)

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。