論文の概要: Price of Fairness in Short-Term and Long-Term Algorithmic Selections

• arxiv url: http://arxiv.org/abs/2605.06227v1
• Date: Thu, 07 May 2026 13:20:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.834038
• Title: Price of Fairness in Short-Term and Long-Term Algorithmic Selections
• Title（参考訳）: 短期・長期のアルゴリズム選択におけるフェアネスの価格
• Authors: Shahin Jabbari, Chen Wang,
• Abstract要約: 意思決定者が繰り返し個人を選択するようなスタイル化された逐次選択問題について検討する。 この緊張に触発され、フェアネスの価格を通じてフェアネスとユーティリティのトレードオフを研究する。 低PoFを実現するための単純な投資方針の下では、長期的な格差が消滅する可能性があることを示す。
• 参考スコア（独自算出の注目度）: 3.9009255766901116
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic decision-making in high-stakes settings can have profound impacts on individuals and populations. While much prior work studies fairness in static settings, recent results show that enforcing static fairness constraints may exacerbate long-run disparities. Motivated by this tension, we study a stylized sequential selection problem in which a decision-maker repeatedly selects individuals, affecting both immediate utility and the population distribution over time. We introduce notions of group fairness for both the short and long term and theoretically analyze the trade-off between fairness and utility via the Price of Fairness (PoF). We characterize optimal and fair policies in the short term and show that the PoF can be large even when group distributions are nearly identical. In contrast, we show that long-term disparities can vanish under simple investment policies that achieve a low PoF. We also empirically validate these theoretical observations using both synthetic and real datasets.
• Abstract（参考訳）: アルゴリズムによる意思決定は、個人や人口に大きな影響を与える可能性がある。 静的な条件下での公平性について多くの先行研究を行ったが、最近の研究結果から、静的な公正性制約の強制は長期的格差を悪化させる可能性が示唆された。 この緊張感に乗じて、意思決定者が個人を何度も選別するスタイル化されたシーケンシャル選択問題について検討し、時間とともに即時効用と人口分布に影響を及ぼす。 本稿では,グループフェアネスの概念を短期と長期の両方に導入し,フェアネスの価格(PoF)によるフェアネスとユーティリティのトレードオフを理論的に分析する。 短期的には最適かつ公正な政策を特徴付けるとともに,群分布がほぼ同一であってもPoFが大きくなることを示す。 対照的に、低いPoFを達成するための単純な投資政策の下では、長期的な格差は消滅する可能性がある。 また、合成データと実データの両方を用いて、これらの理論観測を実証的に検証する。

関連論文リスト

• The Statistical Fairness-Accuracy Frontier [50.323024516295725]
  機械学習モデルは正確性と公平さのバランスをとる必要があるが、これらの目標はしばしば矛盾する。 このトレードオフを理解するための有用なツールとしてフェアネス・精度フロンティアがあり、フェアネスと精度の両方で同時に改善できないモデルの集合を特徴付ける。 本研究では, 有限サンプル体制におけるFAフロンティアについて検討し, 人口の減少と, 最悪のケースギャップの定量化について検討した。
  論文  参考訳（メタデータ） (2025-08-25T03:01:35Z)
• A Causal Lens for Learning Long-term Fair Policies [3.2233767737586674]
  本稿では,動的意思決定システムにおける長期公正性の検証の重要性を強調した。 本稿では,期待される平均資格獲得率の差によって,長期的公正度が測定される一般的な枠組みを提案する。 我々は、これらの構成要素と、利益公正という新たな公正概念との本質的な関係を解析する。
  論文  参考訳（メタデータ） (2025-06-12T19:22:50Z)
• 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)
• Adapting Static Fairness to Sequential Decision-Making: Bias Mitigation Strategies towards Equal Long-term Benefit Rate [41.51680686036846]
  逐次意思決定におけるバイアスに対処するため,Equal Long-term Benefit Rate (ELBERT) という長期公正性の概念を導入する。 ELBERTは、以前の長期公正の概念に見られる時間的差別問題に効果的に対処する。 ELBERT-POは高い有効性を維持しながらバイアスを著しく減少させることを示した。
  論文  参考訳（メタデータ） (2023-09-07T01:10:01Z)
• Enforcing Delayed-Impact Fairness Guarantees [21.368958668652652]
  ELFは, 長期的, 遅延的, 影響の観点から, 信頼性の高い公正性を保証する最初の分類アルゴリズムである。 提案アルゴリズムは, 長期不公平を軽減できることを示す。
  論文  参考訳（メタデータ） (2022-08-24T19:14:56Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Multi-Stage Decentralized Matching Markets: Uncertain Preferences and Strategic Behaviors [91.3755431537592]
  本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。 我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。 シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
  論文  参考訳（メタデータ） (2021-02-13T19:25:52Z)

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。