論文の概要: How Fair is Software Fairness Testing?

• arxiv url: http://arxiv.org/abs/2603.12511v1
• Date: Thu, 12 Mar 2026 23:02:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-16 17:38:11.802361
• Title: How Fair is Software Fairness Testing?
• Title（参考訳）: ソフトウェアフェアネステストはどの程度公平か?
• Authors: Ann Barcomb, Mariana Pinheiro Bento, Giuseppe Destefanis, Sherlock Licorish, Cleyton Magalhães, Ronnie de Souza Santos, Mairieli Wessel,
• Abstract要約: このビジョンペーパーは、公平性テストを文化的に位置するものとして位置づけ、3次元にわたって問題を検証している。 第一に、公平度指標は特定の文化的価値を符号化し、他者を疎外する。 第二に、テストデータセットは、主に西洋の文脈から設計されている。 第3に、公正性テストは、グローバル・サウスにおける低給のデータラベリングへの依存など、倫理的な懸念を高める。
• 参考スコア（独自算出の注目度）: 3.151556208794165
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Software fairness testing is a central method for evaluating AI systems, yet the meaning of fairness is often treated as fixed and universally applicable. This vision paper positions fairness testing as culturally situated and examines the problem across three dimensions. First, fairness metrics encode particular cultural values while marginalizing others. Second, test datasets are predominantly designed from Western contexts, excluding knowledge systems grounded in oral traditions, Indigenous languages, and non-digital communities. Third, fairness testing raises ethical concerns, including the reliance on low-paid data labeling in the Global South, and associated with this, the environmental costs of training and deploying large-scale models, which disproportionately affect climate-vulnerable populations. Addressing these issues requires rethinking fairness testing beyond universal metrics and moving toward evaluation frameworks that respect cultural plurality and acknowledge the right to refuse algorithmic mediation.
• Abstract（参考訳）: ソフトウェアフェアネステストはAIシステムを評価するための中心的な方法であるが、フェアネスの意味はしばしば固定的で普遍的な適用として扱われる。 このビジョンペーパーは、公平性テストを文化的に位置するものとして位置づけ、3次元にわたって問題を検証している。 第一に、公平度指標は特定の文化的価値を符号化し、他者を疎外する。 第二に、テストデータセットは、主に西洋の文脈から設計され、口頭伝統、先住民言語、非デジタルコミュニティに根ざした知識システムを除く。 第三に、公正なテストは、グローバル・サウスにおける低賃金のデータラベリングへの依存を含む倫理的懸念を高め、これと関連して、気候に富む人口に不均衡に影響を及ぼす大規模なモデルの訓練と展開の環境コストを増大させる。 これらの問題に対処するには、普遍的なメトリクスを超えて公正テストを再考し、文化的な複数の側面を尊重し、アルゴリズムの仲介を拒否する権利を認める評価フレームワークに移行する必要がある。

関連論文リスト

• Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
  未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。 以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-30T18:35:08Z)
• CAIRe: Cultural Attribution of Images by Retrieval-Augmented Evaluation [61.130639734982395]
  本稿では,画像の文化的関連度を評価する新しい評価指標であるCAIReを紹介する。 本フレームワークは,イメージ内の実体と概念を知識ベースに基盤として,実情報を用いて各文化ラベルに対して独立した評価を行う。
  論文  参考訳（メタデータ） (2025-06-10T17:16:23Z)
• Where Fact Ends and Fairness Begins: Redefining AI Bias Evaluation through Cognitive Biases [77.3489598315447]
  事実と公正の境界を識別することは有意義な公正性評価に不可欠である,と我々は主張する。 Fact-or-Fair は (i) 客観的なクエリを記述的, 事実に基づく判断, (ii) 主観的クエリを規範的, 公平性に基づく判断に整合させたベンチマークである。
  論文  参考訳（メタデータ） (2025-02-09T10:54:11Z)
• Fairness Concerns in App Reviews: A Study on AI-based Mobile Apps [9.948068408730654]
  本研究は,モバイルアプリレビューにおける公平性の懸念を調査することを目的としている。 我々の研究は、AIベースのモバイルアプリレビューに焦点を当てており、AIベースのアプリの不公平な振る舞いや結果が非AIベースのアプリよりも高い可能性がある。
  論文  参考訳（メタデータ） (2024-01-16T03:43:33Z)
• Causal Context Connects Counterfactual Fairness to Robust Prediction and Group Fairness [15.83823345486604]
  我々は、公正性と正確性の間に根本的なトレードオフがないことを示すことによって、事実的公正を動機付けます。 対実フェアネスは、比較的単純なグループフェアネスの測定によってテストされることがある。
  論文  参考訳（メタデータ） (2023-10-30T16:07:57Z)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• Error Parity Fairness: Testing for Group Fairness in Regression Tasks [5.076419064097733]
  この研究は、回帰フェアネスの概念としてエラーパリティを示し、グループフェアネスを評価するためのテスト手法を導入する。 続いて、いくつかの統計上のグループを比較し、格差を探索し、影響されたグループを特定するのに適した置換テストが実施される。 全体として、提案された回帰公正性テスト手法は、公正な機械学習文献のギャップを埋め、より大きなアカウンタビリティ評価とアルゴリズム監査の一部として機能する可能性がある。
  論文  参考訳（メタデータ） (2022-08-16T17:47:20Z)
• Fairness-aware Model-agnostic Positive and Unlabeled Learning [38.50536380390474]
  フェアプル(FairPUL)という,フェアネスを意識したポジティブ・アンラベル学習手法を提案する。 2つの集団の個体を二分分類するために、同様の正の率と偽の正の率を達成することを目指している。 我々のフレームワークは、分類誤差と公正度の両方の観点から統計的に一貫性があることが証明されている。
  論文  参考訳（メタデータ） (2022-06-19T08:04:23Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)

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。