論文の概要: Tradeoffs are Domain Dependent: Improving Accuracy and Fairness in Property Tax Assessments

• arxiv url: http://arxiv.org/abs/2605.15020v1
• Date: Thu, 14 May 2026 16:20:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-15 21:45:34.941737
• Title: Tradeoffs are Domain Dependent: Improving Accuracy and Fairness in Property Tax Assessments
• Title（参考訳）: トレードオフはドメイン依存である:資産税評価の正確性と公正性を改善する
• Authors: Evelyn Smith, Emma Harvey, Christopher Berry, Jacob Goldin, Daniel E. Ho,
• Abstract要約: アルゴリズム的公正性の研究は、しばしば公正性と正確性の間のトレードオフを仮定する。しかしながら、このトレードオフは普遍的ではないかもしれない。 この仮定を米国資産税評価の文脈で検証する。
• 参考スコア（独自算出の注目度）: 7.885461849343874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Algorithmic fairness research often assumes a tradeoff between fairness and accuracy. Yet this tradeoff may not be universal. We test this assumption in the context of U.S. property tax assessment - a setting in which the output of predictive algorithms directly determines the distribution of tax obligations among homeowners. Currently, systematic assessment errors cause owners of lower-valued properties to face disproportionately high tax burdens, creating regressivity in the property tax system. Using data on 26 million property sales spanning 95% of U.S. counties, we conduct three complementary analyses. First, we find that assessment accuracy and fairness - measured using domain-relevant metrics - are strongly correlated across counties under status quo practices. Second, in simulated assessment models, we show that adding property features improves accuracy in most cases, and that when accuracy improves, fairness almost always improves as well. Third, we show that incorporating publicly available Census data into assessment models - a feasible reform in most counties - would significantly improve both accuracy and fairness relative to status quo assessments. Together, these results challenge the presumed universality of the fairness-accuracy tradeoff and demonstrate that well-designed modeling improvements can advance both fairness and accuracy in large-scale public sector systems.
• Abstract（参考訳）: アルゴリズム的公正性の研究は、しばしば公正性と正確性の間のトレードオフを仮定する。 しかし、このトレードオフは普遍的ではないかもしれない。 我々は、この仮定を、米国不動産税評価の文脈で検証する。これは、予測アルゴリズムの出力が住宅所有者間の税務義務の分配を直接決定する設定である。 現在、体系的な評価ミスにより、低額資産の所有者は不当に高い税負担に直面し、資産税体系の回帰性を生み出している。 米国郡の95%にまたがる2600万件の不動産販売のデータを用いて、3つの補完的な分析を行う。 まず、領域関連指標を用いて測定した評価精度と公平性は、現状の慣行の下で郡間で強く相関していることがわかった。 第2に, 模擬評価モデルでは, プロパティの付加によりほとんどの場合精度が向上し, 精度が向上すると, ほぼ常に公平性が向上することを示す。 第3に,公的に利用可能な国勢調査データを,ほとんどの郡で実現可能な改革である評価モデルに組み込むことで,現状クオアセスメントと比較して精度と公平性を著しく向上させることを示した。 これらの結果は、公正さと正確さのトレードオフが想定される普遍性に挑戦し、適切に設計されたモデリングの改善が、大規模公共セクターシステムにおける公正性と正確性の両方を向上できることを示した。

関連論文リスト

• Does Reasoning Make Search More Fair? Comparing Fairness in Reasoning and Non-Reasoning Rerankers [56.54960821093771]
  推論と非推論リランカの公平性の最初の体系的比較を行う。 以上の結果から,非理性アプローチと比較して,理性は改善も公平性も損なわないことが明らかとなった。
  論文  参考訳（メタデータ） (2026-03-11T02:01:24Z)
• Understanding Accuracy-Fairness Trade-offs in Re-ranking through Elasticity in Economics [96.68144350976637]
  公平さはタスクの再ランク付けにおいてますます重要な要素である。 正確性と公正性のトレードオフは、商品税の移転プロセスの結合と平行である。 評価フレームワークとしてElastic Fairness Curve (EF-Curve)を導入する。 また,等級間距離の調整に弾性計算を利用する等級アルゴリズムであるElasticRankを提案する。
  論文  参考訳（メタデータ） (2025-04-21T09:41:08Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Intrinsic Fairness-Accuracy Tradeoffs under Equalized Odds [8.471466670802817]
  等化確率の統計的概念の下で、公正性と精度のトレードオフについて検討する。 フェアネス予算の関数として, 精度の新たな上限を提示する。 以上の結果から,低バイアス群に対する高い精度の達成は,グループ間の統計的格差に基づいて根本的に制限される可能性が示唆された。
  論文  参考訳（メタデータ） (2024-05-12T23:15:21Z)
• A Taxation Perspective for Fair Re-ranking [61.946428892727795]
  本稿では,2項目間の実用性の違いに基づいて税率を上昇させる,税率という新たな公正な再格付け手法を提案する。 我々のモデルである税ランクは、公正な優遇措置として優れた税率政策を提供し、理論的には、精度損失よりも連続性と制御性の両方を実証している。
  論文  参考訳（メタデータ） (2024-04-27T08:21:29Z)
• Fairness Under Demographic Scarce Regime [7.523105080786704]
  フェアネスと精度のトレードオフを改善する属性分類器を構築するためのフレームワークを提案する。 不確実な感度特性を持つ試料に公正性制約を課すことは、公正性-正確性トレードオフに悪影響を及ぼす可能性があることを示す。 我々のフレームワークは、ほとんどのベンチマークで真に敏感な属性に対する公平性制約で訓練されたモデルより優れている。
  論文  参考訳（メタデータ） (2023-07-24T19:07:34Z)
• 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)

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。