論文の概要: Long-term Fairness with Selective Labels

• arxiv url: http://arxiv.org/abs/2605.22291v1
• Date: Thu, 21 May 2026 10:42:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-22 20:14:18.551846
• Title: Long-term Fairness with Selective Labels
• Title（参考訳）: 選択ラベルによる長期的公正性
• Authors: Giovani Valdrighi, Isabel Valera, Marcos Medeiros Raimundo,
• Abstract要約: 選択ラベル設定における長期的公正性について検討し、単純解が公平性を保証するものではないことを解析的に示す。 本稿では,選択ラベルを用いた長期的公正意思決定のための新しい強化学習アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 7.685857844572122
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term fairness algorithms aim to satisfy fairness beyond static and short-term notions by accounting for the dynamics between decision-making policies and population behavior. Most previous approaches evaluate performance and fairness measures from observable features and a label, which is assumed to be fully observed. However, in scenarios such as hiring or lending, the labels (e.g., ability to repay the loan) are selective labels as they are only revealed based on positive decisions (e.g., when a loan is granted). In this paper, we study long-term fairness in the selective labels setting and analytically show that naive solutions do not guarantee fairness. To address this gap, we then introduce a novel framework that leverages both the observed data and a label predictor model to estimate the true fairness measure value by decomposing it into the observed fairness and bias from label predictions. This allows us to derive sufficient conditions to satisfy true fairness from observable quantities by using the confidence in the predictor model. Finally, we rely on our theoretical results to propose a novel reinforcement learning algorithm for effective long-term fair decision-making with selective labels. In semisynthetic environments, the proposed algorithm reached comparable fairness and performance to an agent with oracle access to the true labels.
• Abstract（参考訳）: 長期公正性アルゴリズムは、意思決定方針と人口行動の間のダイナミクスを考慮し、静的および短期的な概念を超えた公平性を満たすことを目的としている。 従来の手法では、観測可能な特徴と、完全に観測されると思われるラベルから、性能と公平性の評価が行われていた。 しかしながら、雇用や融資のようなシナリオでは、ラベル(例えば、ローンを返済する能力)は、肯定的な決定(例えば、ローンが与えられたとき)に基づいてのみ明らかにされるため、選択的なラベルとなります。 本稿では,選択ラベル設定における長期的公正性について検討し,ナイーブな解が公平性を保証するものではないことを解析的に示す。 このギャップに対処するために、観測データとラベル予測モデルの両方を利用して、観測された公正度とラベル予測からのバイアスに分解して真の公正度の測定値を推定する新しいフレームワークを導入する。 これにより、予測モデルの信頼性を利用して観測可能な量から真の公正性を満たすのに十分な条件を導出することができる。 最後に,選択ラベルを用いた長期的公正意思決定のための新しい強化学習アルゴリズムを提案するため,理論的結果に頼っている。 半合成環境では、提案アルゴリズムは真ラベルへのオラクルアクセスを持つエージェントに対して同等の公平性と性能に達した。

関連論文リスト

• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Falcon: Fair Active Learning using Multi-armed Bandits [9.895979687746376]
  本稿では,戦略サンプル選択による機械学習モデルの公平性向上を目的としたデータ中心型手法を提案する。 実験の結果、ファルコンはフェアネスと精度で既存のフェアアクティブな学習手法を著しく上回っていることがわかった。 特に、ファルコンだけが精度と公平性の間の適切なトレードオフをサポートしており、最大のフェアネススコアは2番目に高い結果よりも1.8-4.5倍高い。
  論文  参考訳（メタデータ） (2024-01-23T12:48:27Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Consistent End-to-End Estimation for Counterfactual Fairness [56.9060492313073]
  本稿では, 対実フェアネスの予測を行うための新しい対実フェアネス予測器を提案する。 我々は,本手法が対実公正性の概念を確実にするのに有効であることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-26T17:58:39Z)
• Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
  本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。 そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。 具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
  論文  参考訳（メタデータ） (2023-10-18T10:32:39Z)
• Fairness through Aleatoric Uncertainty [18.95295731419523]
  フェアネス・ユーティリティ・トレードオフを改善するために、アレタリック不確実性(例えば、データのあいまいさ)を活用するという考え方を紹介します。 我々の中心的な仮説は、アレタリック不確実性はアルゴリズムの公正性の鍵となる要素であるということである。 次に,アレータリック不確実性が高い場合の公平性を向上し,他の分野での有効性を向上させるための基本モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-07T13:50:57Z)
• The Fairness of Credit Scoring Models [0.0]
  信用市場において、スクリーニングアルゴリズムは、良いタイプの借主と悪いタイプの借主を区別することを目的としている。 これは意図せず、トレーニングデータセットから、あるいはモデル自体から生まれます。 評価モデルのアルゴリズムフェアネスの形式的検証方法と,フェアネスの欠如の原因となる変数の同定方法を示す。
  論文  参考訳（メタデータ） (2022-05-20T14:20:40Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)

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。