論文の概要: First-See-Then-Design: A Multi-Stakeholder View for Optimal Performance-Fairness Trade-Offs

• arxiv url: http://arxiv.org/abs/2604.14035v1
• Date: Wed, 15 Apr 2026 16:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-16 20:38:32.630793
• Title: First-See-Then-Design: A Multi-Stakeholder View for Optimal Performance-Fairness Trade-Offs
• Title（参考訳）: First-See-Then-Design: 最適なパフォーマンスとフェアネスのトレードオフのためのマルチステークホルダビュー
• Authors: Kavya Gupta, Nektarios Kalampalikis, Christoph Heitz, Isabel Valera,
• Abstract要約: 本稿では、福祉経済学と分配正義を基礎とした公正なアルゴリズム決定のためのマルチステークホルダー・フレームワークを提案する。 我々は、ポストホック多目的最適化問題として公正な意思決定を定式化する。 結果の不確実性を活用することで、単純なポリシーが優れたパフォーマンス・フェアネスのトレードオフをもたらすことを実証的に実証する。
• 参考スコア（独自算出の注目度）: 7.450890746650866
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fairness in algorithmic decision-making is often defined in the predictive space, where predictive performance - used as a proxy for decision-maker (DM) utility - is traded off against prediction-based fairness notions, such as demographic parity or equality of opportunity. This perspective, however, ignores how predictions translate into decisions and ultimately into utilities and welfare for both DM and decision subjects (DS), as well as their allocation across social-salient groups. In this paper, we propose a multi-stakeholder framework for fair algorithmic decision-making grounded in welfare economics and distributive justice, explicitly modeling the utilities of both the DM and DS, and defining fairness via a social planner's utility that captures inequalities in DS utilities across groups under different justice-based fairness notions (e.g., Egalitarian, Rawlsian). We formulate fair decision-making as a post-hoc multi-objective optimization problem, characterizing the achievable performance-fairness trade-offs in the two-dimensional utility space of DM utility and the social planner's utility, under different decision policy classes (deterministic vs. stochastic, shared vs. group-specific). Using the proposed framework, we then identify conditions (in terms of the stakeholders' utilities) under which stochastic policies are more optimal than deterministic ones, and empirically demonstrate that simple stochastic policies can yield superior performance-fairness trade-offs by leveraging outcome uncertainty. Overall, we advocate a shift from prediction-centric fairness to a transparent, justice-based, multi-stakeholder approach that supports the collaborative design of decision-making policies.
• Abstract（参考訳）: アルゴリズムによる意思決定の公正性はしばしば、予測性能(意思決定者(DM)ユーティリティのプロキシとして使われる)が、人口統計学的平等や機会の平等といった予測に基づく公正性の概念と引き換えに定義される。 しかし、この視点は、予測が意思決定にどのように変換され、最終的にDMと意思決定主題(DS)の両方のユーティリティと福祉に、そして社会的サリアンなグループ間での割り当てを無視する。 本稿では、福祉経済学と分配正義を基盤とした公正なアルゴリズム決定のためのマルチステークホルダー・フレームワークを提案し、DMとDSの両方のユーティリティを明示的にモデル化し、異なる正義に基づく公正な概念(例えば、平等主義、ラウルシアン)の下で、DSのユーティリティの不平等を捉えるソーシャルプランナーのユーティリティを通じて公正を定義する。 DMユーティリティとソーシャルプランナユーティリティの2次元ユーティリティ空間における達成可能なパフォーマンス・フェアネスのトレードオフを,決定政策クラス(決定的対確率的対共有型対グループ固有型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決型対決)で表す。 提案した枠組みを用いて、確率的政策が決定論的政策よりも最適である条件(利害関係者のユーティリティの観点から)を特定し、結果の不確実性を活用することで、単純な確率的政策が優れたパフォーマンス・公正なトレードオフをもたらすことを実証的に実証する。 全体として、我々は、予測中心の公正性から、意思決定ポリシーの協調設計を支援する透明で正義に基づくマルチステークホルダーアプローチへの移行を提唱する。

関連論文リスト

• Fairness-Aware Reinforcement Learning (FAReL): A Framework for Transparent and Balanced Sequential Decision-Making [41.53741129864172]
  実世界のシーケンシャルな決定問題の等価性は、公平性を意識した方法で実施することができる。 複数のトレードオフを探索できるフレームワークを提案する。 フレームワークは複数のシナリオでより公平なポリシーを学習し、パフォーマンスの報酬をわずかに損なうだけであることを示す。
  論文  参考訳（メタデータ） (2025-09-26T11:42:14Z)
• Bounded Rationality for LLMs: Satisficing Alignment at Inference-Time [52.230936493691985]
  本稿では,2次基準のしきい値に基づく制約を満たしつつ,主目的を最大化し,アライメントの多面性に対処する推論フレームワークSITAlignを提案する。 我々は、満足度に基づく推論アライメントアプローチの準最適境界を導出することで理論的洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-29T17:56:05Z)
• Testing Fairness with Utility Tradeoffs: A Wasserstein Projection Approach [6.378410364292642]
  本稿では,近似的公正性と有効性を共同で評価する統計的仮説テストフレームワークを提案する。 当社のフレームワークは,人口統計学の同等性基準に基づいて構築され,潜在的成果フレームワークに動機づけられた実用性尺度が組み込まれている。 このテストは、計算可能で、解釈可能で、機械学習モデルに広く適用でき、より一般的な設定に拡張可能であることを示す。
  論文  参考訳（メタデータ） (2025-05-16T20:29:06Z)
• Decision-centric fairness: Evaluation and optimization for resource allocation problems [1.5623752145311105]
  本稿では,意思決定領域内でのみ公平性をもたらす意思決定中心の公平性手法を提案する。 我々は、複数の(半合成)データセットに対するグローバルフェアネスアプローチに対して、我々のアプローチを実証的に比較した。
  論文  参考訳（メタデータ） (2025-04-29T11:12:36Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Causal Fairness for Outcome Control [68.12191782657437]
  本稿では,自動システムにおいて,公平かつ公平な結果変数を最適化することを目的とした,結果制御と呼ばれる特定の意思決定タスクについて検討する。 本稿では、まず因果レンズを通して利益の概念を分析し、特定の個人が肯定的な決定によってどれだけの利益を得られるかを明らかにする。 次に、保護された属性の影響を受けている可能性があることに留意し、これを分析するために使用できる因果的ツールを提案する。
  論文  参考訳（メタデータ） (2023-06-08T09:31:18Z)
• 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)
• Enforcing Group Fairness in Algorithmic Decision Making: Utility Maximization Under Sufficiency [0.0]
  本稿では,PPVパリティ,偽脱落率(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(False Omission rate)パリティ(FOR)パリティ(FOR)パリティ(Sufficiency)について述べる。 グループ固有のしきい値規則はPPVパリティとForパリティに最適であることを示す。 また,フェアネス制約を満たす最適決定規則の解も提供する。
  論文  参考訳（メタデータ） (2022-06-05T18:47:34Z)
• Learning to be Fair: A Consequentialist Approach to Equitable Decision-Making [21.152377319502705]
  等価なアルゴリズムを設計するための代替フレームワークを提案する。 このアプローチでは、まず第一に、決定の可能な空間よりも利害関係者の選好を導きます。 次に、決定ポリシーの空間を最適化し、提案されたユーティリティを最大化する方法でトレードオフを行います。
  論文  参考訳（メタデータ） (2021-09-18T00:30:43Z)

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。