論文の概要: Partial Fairness Awareness: Belief-Guided Strategic Mechanism for Strategic Agents
- arxiv url: http://arxiv.org/abs/2606.00826v1
- Date: Sat, 30 May 2026 17:53:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.868
- Title: Partial Fairness Awareness: Belief-Guided Strategic Mechanism for Strategic Agents
- Title（参考訳）: 部分的公正意識:戦略エージェントの信頼誘導戦略機構
- Abstract要約: 部分的公正意識(PFA)の問題を提案する。
本稿では, エージェントが意思決定システムと反復的に対話し, 公正度制約の候補集合に対する信念分布を維持する, 信念誘導型戦略機構を導入する。
この信念誘導プロセスは、反復的な相互作用とフィードバックを通じて、エージェントが候補集合上の信念分布を更新することを可能にし、それによって、システムによって使用される根拠となる公正性制約と、その信念を徐々に整合させる。
- 参考スコア（独自算出の注目度）: 23.40393298376199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Strategic machine learning investigates scenarios where agents manipulate their features to receive favorable decisions from predictive models. To address fairness concerns intrinsic to strategic classification, recent work has introduced group-specific fairness constraints. However, current fairness-aware approaches face a fundamental dilemma in the issue of fairness exposure: making these constraints public enables strategic manipulation and can lead to fairness reversal, while keeping them hidden may reduce social welfare and discourage genuine improvement. To fill this gap, we subsequently propose the problem of partial fairness awareness (PFA), as our theoretical analysis informs that such a dilemma can be mitigated by releasing the candidate set of fairness constraints and concealing the grounding constraint. To be specific, we introduce a belief-guided strategic mechanism, wherein agents iteratively interact with the decision system and maintain a belief distribution over the candidate set of fairness constraints. This belief-guided process enables agents, through iterative interaction and feedback, to update their belief distribution over the candidate set, thereby gradually aligning their belief with the grounding fairness constraint employed by the system. Extensive experiments on real-world and synthetic datasets demonstrate that PFA achieves lower group fairness gaps, higher acceptance of truly qualified individuals, and more stable outcomes compared to fully public or private fairness regimes.
- Abstract（参考訳）: 戦略機械学習は、エージェントが予測モデルから好意的な決定を受けるために機能を操作するシナリオを調査する。
戦略的分類に固有の公平性に関する懸念に対処するため、近年の研究では、グループ固有の公正性制約を導入している。
しかし、現在の公正を意識したアプローチは、公正な露出の問題において、基本的なジレンマに直面している。
このギャップを埋めるために、我々は後に部分的公正意識の問題(PFA)を提案し、このジレンマは、不公平な制約の候補セットを解放し、根拠となる制約を隠蔽することで緩和可能であることを理論的解析により明らかにした。
具体的には、エージェントが意思決定システムと反復的に対話し、公正度制約の候補集合に対する信念分布を維持する、信念誘導型戦略機構を導入する。
この信念誘導プロセスは、反復的な相互作用とフィードバックを通じて、エージェントが候補集合上の信念分布を更新することを可能にし、それによって、システムによって使用される根拠となる公正性制約と、その信念を徐々に整合させる。
実世界のデータセットと合成データセットに関する大規模な実験は、PFAがグループフェアネスのギャップを低くし、真に資格のある個人が受け入れられ、より安定した結果が得られることを示した。
関連論文リスト
- Beyond Independent Manipulation: Individual Fairness-aware Strategic Classification with Peer Imitation [44.485292101066115]
我々は,個別の公正性から生じるピア駆動的操作をモデル化するフレームワークであるIFSC(Personal Fairness-Aware strategic classification)を紹介する。
IFSCは、戦略的操作を、可視的受理ピアに対する類似性に基づく模倣として特徴付けている。
合成および実世界のデータセットの実験では、IFSCは個別のフェアネスの一貫性を改善し、模倣による歪みを軽減することが示されている。
論文 参考訳（メタデータ） (2026-05-30T17:54:37Z) - Beyond Rational Illusion: Behaviorally Realistic Strategic Classification [56.458581740660236]
本稿では,行動的現実的な戦略分類問題に対処するために,プロビジョンガイド型戦略フレームワーク(Pro-SF)を提案する。
Pro-SFは、行動学的に現実的な戦略的な反応の下でモデル化し、学習するための予測理論に基づく原則化されたフレームワークである。
合成および実世界のデータセットの実験は、Pro-SFを戦略分類の行動的基盤としたアプローチとして確立する。
論文 参考訳（メタデータ） (2026-05-19T11:04:55Z) - Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。
ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。
PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
論文 参考訳（メタデータ） (2026-05-02T16:32:52Z) - 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) - Toward a Sustainable Federated Learning Ecosystem: A Practical Least Core Mechanism for Payoff Allocation [71.86087908416255]
最小コア(LC)概念に基づく配当フレームワークを提案する。
従来の方法とは異なり、LCは最大の不満を最小限に抑えてフェデレーションの凝集を優先する。
統合侵入検知におけるケーススタディは、我々のメカニズムが重要な貢献者や戦略的提携を正しく識別できることを実証している。
論文 参考訳（メタデータ） (2026-02-03T11:10:50Z) - Learning Fair Representations with Kolmogorov-Arnold Networks [0.08594140167290099]
予測モデルは、しばしば辺縁化群に対する差別的行動を示す。
既存の公正学習モデルはバイアスを軽減することを目的としていますが、公平性と正確性の間の最適なトレードオフを達成することは依然として課題です。
我々は,KAN(Kolmogorov-Arnold Networks)を公正な対角学習フレームワークに統合することを提案する。
論文 参考訳（メタデータ） (2025-11-14T07:51:56Z) - 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) - 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) - Social Diversity Reduces the Complexity and Cost of Fostering Fairness [63.70639083665108]
不完全な情報や公平性の柔軟な基準を前提とした干渉機構の効果について検討する。
多様性の役割を定量化し、情報収集の必要性を減らす方法を示す。
この結果から,多様性が変化し,公正性向上を目指す機関に新たなメカニズムが開放されることが示唆された。
論文 参考訳（メタデータ） (2022-11-18T21:58:35Z) - Monotonic Improvement Guarantees under Non-stationarity for
Decentralized PPO [66.5384483339413]
我々は,MARL(Multi-Agent Reinforcement Learning)における分散政策の最適化のための新しい単調改善保証を提案する。
本研究では,訓練中のエージェント数に基づいて,独立した比率を限定することにより,信頼領域の制約を原則的に効果的に実施可能であることを示す。
論文 参考訳（メタデータ） (2022-01-31T20:39:48Z) - Unfairness Despite Awareness: Group-Fair Classification with Strategic
Agents [37.31138342300617]
戦略エージェントは、より良好な結果を得るために観察された特徴ベクトルを操作する能力とインセンティブの両方を持っている可能性があることを示す。
さらに、有利な群が過剰に表現される領域で公平な学習を行う際に、公平な分類器の選択性が増大し、したがって公正さが失われることが示される。
論文 参考訳（メタデータ） (2021-12-06T02:42:43Z) - Multi-Stage Decentralized Matching Markets: Uncertain Preferences and
Strategic Behaviors [91.3755431537592]
本稿では、現実世界のマッチング市場で最適な戦略を学ぶためのフレームワークを開発する。
我々は,不確実性レベルが特徴の福祉対フェアネストレードオフが存在することを示す。
シングルステージマッチングと比較して、マルチステージマッチングで参加者がより良くなることを証明します。
論文 参考訳（メタデータ） (2021-02-13T19:25:52Z)
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。