論文の概要: Fairness vs Performance: Characterizing the Pareto Frontier of Algorithmic Decision Systems

• arxiv url: http://arxiv.org/abs/2605.10604v1
• Date: Mon, 11 May 2026 14:04:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.87602
• Title: Fairness vs Performance: Characterizing the Pareto Frontier of Algorithmic Decision Systems
• Title（参考訳）: フェアネス対パフォーマンス:アルゴリズム決定システムのパレートフロンティアを特徴付ける
• Authors: Mieke Wilms, Christoph Heitz,
• Abstract要約: 公正なアルゴリズム決定システムの設計には、影響のある個人に対して公平さでモデル性能のバランスをとる必要がある。 多目的最適化問題として意思決定を概念化し,二項予測に基づく意思決定問題の公平性を検討する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Designing fair algorithmic decision systems requires balancing model performance with fairness toward affected individuals: More fairness might require sacrificing some performance and vice versa, yet the space of possible trade-offs is still poorly understood. We investigate fairness in binary prediction-based decision problems by conceptualizing decision making as a multi-objective optimization problem that simultaneously considers decision-maker utility and group fairness. We investigate the set of Pareto-optimal decision rules for arbitrary utility functions for decision maker, arbitrary population distributions, and a wide range of group fairness metrics. We find that the Pareto frontier consists of deterministic, group-specific threshold rules applied to individuals' success probability. This complements existing optimality theorems from literature which, for specific fairness constraints, posit lower-bound threshold rules only. However we also show that, depending on the used fairness metric, the Pareto frontier may include upper-bound threshold rules, thus preferring individuals with lower success probabilities. We show that the location of the Pareto frontier depends only on population characteristics, utility functions and fairness score, but not on the technical design of the algorithm - our findings hold for pre-, in-, and post-processing approaches alike. Our results generalize existing optimality theorems for fairness-constrained classification and extend them to generalized fairness metrics and fairness principles, and to partial fairness regimes. This paper connects formal fairness research with legal and ethical requirements to search for less discriminatory alternatives, offering a principled foundation for evaluating and comparing algorithmic decision systems.
• Abstract（参考訳）: 公正なアルゴリズムによる決定システムの設計には、影響のある個人に対する公正さとモデルパフォーマンスのバランスが必要だ。 本稿では、意思決定を多目的最適化問題として概念化し、意思決定ユーティリティとグループフェアネスを同時に考慮し、二項予測に基づく意思決定問題の公平性について検討する。 本研究では、意思決定者のための任意のユーティリティ関数に対するパレート最適決定ルールのセット、任意の人口分布、および幅広いグループフェアネス指標について検討する。 パレートフロンティアは、個人の成功確率に適用される決定論的、グループ固有のしきい値ルールから構成されている。 これは文献からの既存の最適性定理を補完し、特定の公正性制約に対して、下界しきい値規則のみを仮定する。 しかし、使用済みの公平度測定値によっては、パレートフロンティアには上限値の上限ルールが含まれており、成功確率の低い個人が好ましいことも示している。 パレートフロンティアの位置は、人口特性、ユーティリティ機能、公正度スコアにのみ依存するが、アルゴリズムの技術的な設計には依存しない。 本結果は, フェアネス制約付き分類に対する既存の最適定理を一般化し, 一般化されたフェアネス指標とフェアネス原理に拡張し, 部分フェアネス規則に拡張する。 本稿では,形式的公正性研究と法的・倫理的要件を結びつけて,差別の少ない選択肢を探索し,アルゴリズム決定システムの評価と比較のための原則的基盤を提供する。

関連論文リスト

• First-See-Then-Design: A Multi-Stakeholder View for Optimal Performance-Fairness Trade-Offs [7.450890746650866]
  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。
  論文  参考訳（メタデータ） (2026-04-15T16:15:25Z)
• 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)
• Finite-Sample and Distribution-Free Fair Classification: Optimal Trade-off Between Excess Risk and Fairness, and the Cost of Group-Blindness [14.421493372559762]
  グループフェアネス制約下の二項分類におけるアルゴリズムフェアネスとグループブレンドネスの強制効果を定量化する。 制御された過剰リスクを伴う分布自由かつ有限サンプルフェアネスを保証するフェア分類のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-21T20:04:17Z)
• Likelihood Ratio Confidence Sets for Sequential Decision Making [51.66638486226482]
  確率に基づく推論の原理を再検討し、確率比を用いて妥当な信頼シーケンスを構築することを提案する。 本手法は, 精度の高い問題に特に適している。 提案手法は,オンライン凸最適化への接続に光を当てることにより,推定器の最適シーケンスを確実に選択する方法を示す。
  論文  参考訳（メタデータ） (2023-11-08T00:10:21Z)
• 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)
• Pareto Efficient Fairness in Supervised Learning: From Extraction to Tracing [26.704236797908177]
  アルゴリズムによる意思決定システムの普及が進んでいる。 測定と精度の本質的にのトレードオフのため、全体的な損失とその他の基準とのトレードオフを確保することが望ましい。 定義に依存しない、つまり、明確に定義された概念を PEF の概念に還元できることを意味する。
  論文  参考訳（メタデータ） (2021-04-04T15:49:35Z)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)

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。