論文の概要: Learning with Conflicts of Interest

• arxiv url: http://arxiv.org/abs/2605.15504v1
• Date: Fri, 15 May 2026 00:52:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-18 21:22:26.136618
• Title: Learning with Conflicts of Interest
• Title（参考訳）: 関心の衝突で学ぶ
• Authors: Nischal Aryal, Arash Termehchy, Ali Vakilian, Marianne Winslett,
• Abstract要約: 経済的、社会的、政治的要因は、しばしばMLシステムの所有者とその利用者が完全に整合することを妨げる。 本稿では,MLシステムとユーザ間のインタラクションをモデル化するゲーム理論フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 10.88187480219144
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Financial, social, and political factors often prevent the interests of the owners of ML systems and services and their users from being perfectly aligned. ML systems often produce biased information that can influence users to make decisions that are not in their best interest. Current solution approaches require ML systems to implement protocols to mitigate their biases. However, ML system owners usually do not have any incentive to implement these protocols and often argue that it limits their freedom of expression or business. We believe that a successful solution to this problem must recognize the conflict of interest between the ML systems and their users, and use this information to protect users against information that adversely influences their decisions while allowing users to safely benefit from these systems. To this end, we propose a game-theoretic framework that models the interaction between ML systems and users with conflicts of interest. We present scalable algorithms with theoretical guarantees that maximize the amount of desired information and actions and minimize the amount of biased and manipulative actions in interaction with ML systems.
• Abstract（参考訳）: 金融、社会的、政治的要因は、しばしばMLシステムやサービスの所有者の利益とユーザーが完全に整合することを妨げる。 MLシステムは、最も関心のない意思決定に影響を及ぼすバイアスのある情報を生成することが多い。 現在のソリューションアプローチでは、バイアスを軽減するためのプロトコルを実装するために、MLシステムが必要です。 しかし、MLシステムオーナーは通常これらのプロトコルを実装するインセンティブを持っておらず、表現の自由やビジネスの自由を制限しているとしばしば主張する。 この問題を解決するためには、MLシステムとユーザ間の利害対立を認識し、この情報を用いて、ユーザがこれらのシステムから安全に利益を得られるようにしながら、決定に悪影響を及ぼす情報からユーザを保護する必要がある、と私たちは信じている。 そこで本稿では,MLシステムとユーザ間のインタラクションをモデル化するゲーム理論フレームワークを提案する。 所望の情報量と動作量を最大化し、MLシステムとの相互作用におけるバイアスおよび操作動作量を最小化する理論的保証付きスケーラブルアルゴリズムを提案する。

関連論文リスト

• On the Robustness of Fairness Practices: A Causal Framework for Systematic Evaluation [17.020173966728507]
  機械学習アルゴリズムは、社会経済の応用において重要な決定を下すために、ますます普及している。 データ駆動とパターン探索の性質から、MLアルゴリズムは、異なる集団グループ間で機会、利益、資源、あるいは情報を不均等に分散する決定ロジックを開発することができる。 ソフトウェアエンジニアリングとMLコミュニティは、公正なMLソフトウェアを作成するためのベストプラクティスを確立するために、多大な努力をしています。
  論文  参考訳（メタデータ） (2026-01-07T06:02:53Z)
• On the Societal Impact of Machine Learning [8.200229795326445]
  本論文は機械学習(ML)の社会的影響について考察する。 MLは、連続的な決定とレコメンデーションをますます通知し、私たちの生活の多くの側面に大きな影響を与えます。 これらのデータ駆動システムは、明示的な公平性を考慮せずにしばしば開発されるため、識別効果のリスクが伴う。
  論文  参考訳（メタデータ） (2025-10-27T17:59:48Z)
• Addressing Bias in LLMs: Strategies and Application to Fair AI-based Recruitment [49.81946749379338]
  この研究は、トランスフォーマーベースのシステムの能力を分析して、データに存在する人口統計バイアスを学習する。 最終ツールにおける偏りを緩和する手段として,学習パイプラインからの性別情報を削減するためのプライバシー向上フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-13T15:29:43Z)
• Causality Is Key to Understand and Balance Multiple Goals in Trustworthy ML and Foundation Models [91.24296813969003]
  本稿では,機械学習に因果的手法を取り入れて,信頼性の高いMLの主要な原則間のトレードオフをナビゲートすることを提唱する。 我々は、信頼できるMLと基礎モデルの両方において、複数の競合する目標のバランスをとるためには、因果的アプローチが不可欠であると主張する。
  論文  参考訳（メタデータ） (2025-02-28T14:57:33Z)
• Cognitive Biases in Large Language Models for News Recommendation [68.90354828533535]
  本稿では,認知バイアスが大規模言語モデル(LLM)に基づくニュースレコメンデータシステムに与える影響について検討する。 データ拡張、エンジニアリングと学習アルゴリズムの側面を通じて、これらのバイアスを軽減する戦略について議論する。
  論文  参考訳（メタデータ） (2024-10-03T18:42:07Z)
• Concrete Safety for ML Problems: System Safety for ML Development and Assessment [0.758305251912708]
  信頼感、意図しない社会的危害、容認できない社会的および倫理的違反に対する懸念は、MLの進歩の約束を損なう。 システム安全工学は、複雑度の高い社会技術システムにおいても、リスクを特定し管理する実績のある、確立された分野である。
  論文  参考訳（メタデータ） (2023-02-06T18:02:07Z)
• SoK: Machine Learning Governance [16.36671448193025]
  このような利益とリスクのバランスをとるため、MLガバナンスの概念を開発します。 私たちは、MLシステムの障害の原因となるプリンシパルを保持するためにアイデンティティを使用します。 私たちは、モデルオーナーがシステムのライフサイクルを管理することができる技術の必要性を強調します。
  論文  参考訳（メタデータ） (2021-09-20T17:56:22Z)
• Leveraging Expert Consistency to Improve Algorithmic Decision Support [62.61153549123407]
  建設のギャップを狭めるために観測結果と組み合わせることができる情報源として,歴史専門家による意思決定の利用について検討する。 本研究では,データ内の各ケースが1人の専門家によって評価された場合に,専門家の一貫性を間接的に推定する影響関数に基づく手法を提案する。 本研究は, 児童福祉領域における臨床現場でのシミュレーションと実世界データを用いて, 提案手法が構成ギャップを狭めることに成功していることを示す。
  論文  参考訳（メタデータ） (2021-01-24T05:40:29Z)
• Adversarial Machine Learning: Bayesian Perspectives [0.4915744683251149]
  Adversarial Machine Learning (AML)は、機械学習(ML)システムをセキュリティ上の脅威から保護することを目的とした、主要な分野として浮上している。 あるシナリオでは、愚かな学習システムに入力データを積極的に操作する敵が存在するかもしれません。 これにより、MLシステムが直面する可能性のある、新たなセキュリティ脆弱性のクラスと、信頼性操作に不可欠な敵の堅牢性と呼ばれる、新たな望ましいプロパティが生成される。
  論文  参考訳（メタデータ） (2020-03-07T10:30:43Z)

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。