論文の概要: Assessing Predictive Models for Fairness Based on Movement Patterns

• arxiv url: http://arxiv.org/abs/2605.23234v1
• Date: Fri, 22 May 2026 04:53:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.203521
• Title: Assessing Predictive Models for Fairness Based on Movement Patterns
• Title（参考訳）: 動きパターンに基づくフェアネス予測モデルの評価
• Authors: Francesco Lettich, Mario A. Nascimento, Chiara Pugliese, Chiara Renso,
• Abstract要約: 運動パターンを含めるためには,空間的公正の概念を一般化する必要があると論じる。 この問題に対処するために,まず個人の動きを特定の地理的領域に関連付けるアプローチを提案する。 提案手法は,この新たな不公平性を検出し,不公平に扱われる対象の集合を回収する上で有効であることを示す。
• 参考スコア（独自算出の注目度）: 0.28498944632323747
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Assessing the spatial fairness of predictive models involves establishing whether they are statistically penalizing (favoring) individuals associated with certain geographical locations. Literature on this topic makes the fundamental assumption that each individual is assigned to a single geographical location (e.g., place of residence). However, fairness with respect to the set of locations where one has been, i.e., their movement patterns over different regions, also matters when fairness is considered. Consequently, we argue that it is necessary to generalize the notion of spatial fairness to also include movement patterns, leading to the novel problem of assessing predictive models for fairness relative to the movements of individuals. To deal with this problem, we propose an approach that first associates the movements of individuals to certain geographic regions, considering multiple spatial partitions with different resolutions and alignments, and then employs a suitable spatial scan statistic to assess whether a predictive model is fair based on movement patterns. In the experimental evaluation, we study the performance of our approach over thousands of synthetic unfair datasets, showing that it is effective at detecting this new type of unfairness and at retrieving the set of objects treated unfairly, while localization performance exhibits a consistent multi-resolution trade-off.
• Abstract（参考訳）: 予測モデルの空間的公正性を評価するには、特定の地理的位置に関連する個人を統計的に罰する(好意的)かどうかを決定する必要がある。 この話題に関する文献は、個々の個人が単一の地理的な場所(例えば居住地)に割り当てられているという基本的な仮定を定めている。 しかし、地域によって移動パターンが異なっていた場所での公平さも、公平さを考慮すれば問題となる。 その結果,移動パターンを包含する空間フェアネスの概念を一般化する必要があると論じ,個人の動きに対するフェアネスの予測モデルを評価するという新たな課題がもたらされた。 この問題に対処するために,まず,複数の空間分割を異なる解像度とアライメントで考慮し,まず個人の動きを特定の地理的領域に関連付けるアプローチを提案する。 実験により, 何千もの合成不公平データセットに対するアプローチの有効性について検討し, 新たな不公平性の検出と不公平な処理対象の集合の検索に有効であること, ローカライゼーション性能が一貫したマルチレゾリューショントレードオフを示すことを示した。

関連論文リスト

• Comparing Fairness of Generative Mobility Models [3.699135947901772]
  本研究は、生成モビリティモデルの公平性を検証し、地理的領域にわたるモデルパフォーマンスにおいて、しばしば見落とされがちなエクイティの次元に対処する。 クラウドフローデータに基づいて構築された予測モデルは、都市構造や移動パターンを理解するのに有効である。 生成したトレースの有効性と公平性を測定することによって、公正性を評価するための新しい枠組みを提案する。
  論文  参考訳（メタデータ） (2024-11-07T06:01:12Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Improving Heterogeneous Model Reuse by Density Estimation [105.97036205113258]
  本稿では,異なる参加者の個人データを用いてモデルを学習することを目的とした多人数学習について検討する。 モデルの再利用は、各パーティーのためにローカルモデルがトレーニングされていると仮定して、マルチパーティの学習にとって有望なソリューションである。
  論文  参考訳（メタデータ） (2023-05-23T09:46:54Z)
• Context matters for fairness -- a case study on the effect of spatial distribution shifts [10.351739012146378]
  本稿では,新たに発表された米国国勢調査データセットのケーススタディについて述べる。 空間分布の変化がモデルの性能および公平性にどのように影響するかを示す。 我々の研究は、別の文脈にモデルをデプロイする前に、分散シフトに対する堅牢性が必要であることを示唆している。
  論文  参考訳（メタデータ） (2022-06-23T01:09:46Z)
• Joint Forecasting of Panoptic Segmentations with Difference Attention [72.03470153917189]
  シーン内の全てのオブジェクトを共同で予測する新しいパノプティックセグメンテーション予測モデルについて検討する。 提案したモデルをCityscapesとAIODriveデータセット上で評価する。
  論文  参考訳（メタデータ） (2022-04-14T17:59:32Z)
• Cross-model Fairness: Empirical Study of Fairness and Ethics Under Model Multiplicity [10.144058870887061]
  1つの予測器が等しく機能するモデルのグループからアドホックに選択された場合、個人は害を受ける可能性があると我々は主張する。 これらの不公平性は実生活で容易に発見でき、技術的手段だけで緩和することは困難である可能性が示唆された。
  論文  参考訳（メタデータ） (2022-03-14T14:33:39Z)
• Selecting Treatment Effects Models for Domain Adaptation Using Causal Knowledge [82.5462771088607]
  監視されていないドメイン適応設定下でITE法用に特別に設計された新しいモデル選択メトリックを提案する。 特に,介入効果の予測が対象領域の既知の因果構造を満たすモデルを選択することを提案する。
  論文  参考訳（メタデータ） (2021-02-11T21:03:14Z)
• Characterizing Fairness Over the Set of Good Models Under Selective Labels [69.64662540443162]
  同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。 到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。 選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
  論文  参考訳（メタデータ） (2021-01-02T02:11:37Z)
• LOGAN: Local Group Bias Detection by Clustering [86.38331353310114]
  コーパスレベルでバイアスを評価することは、モデルにバイアスがどのように埋め込まれているかを理解するのに十分ではない、と我々は主張する。 クラスタリングに基づく新しいバイアス検出手法であるLOGANを提案する。 毒性分類および対象分類タスクの実験は、LOGANが局所領域のバイアスを特定することを示している。
  論文  参考訳（メタデータ） (2020-10-06T16:42:51Z)

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。