論文の概要: Beyond Independent Manipulation: Individual Fairness-aware Strategic Classification with Peer Imitation

• arxiv url: http://arxiv.org/abs/2606.00827v2
• Date: Sun, 07 Jun 2026 11:10:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:04.685663
• Title: Beyond Independent Manipulation: Individual Fairness-aware Strategic Classification with Peer Imitation
• Title（参考訳）: 独立マニピュレーションを超えて: ピア・イミテーションを用いた個人フェアネス対応戦略分類
• Authors: Xinpeng Lv, Chunyuan Zheng, Yunxin Mao, Renzhe Xu, Jinxuan Yang, Yuanlong Chen, Wangrong Huang, Shaowu Yang, Wenjing Yang, Xinwang Liu, Peng Cui, Haotian Wang,
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 44.485292101066115
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Strategic classification (SC) investigates scenarios where agents manipulate their features to obtain favorable decisions from predictive models. Existing fairness-aware SC approaches primarily focus on group fairness and typically assume that agents respond independently. However, when individual fairness is required, ensuring similar individuals receive similar outcomes, agents' manipulation becomes interdependent: an agent's preferred manipulation depends on the neighborhoods' outcomes. This induces a mismatch between classical SC formulations and fairness-aware decision settings, where independent models no longer accurately characterize strategic manipulations. To address this issue, we introduce individual fairness-aware strategic classification (IFSC), a framework that models peer-driven manipulation arising from individual fairness, where agents imitate nearby positively decided peers to obtain favorable outcomes. IFSC characterizes strategic manipulation as similarity-based imitation toward visible accepted peers and learns classifiers under the resulting post-manipulation distributions. To account for uncertainty in peer observability, IFSC employs a robust learning process that introduces stochastic perturbations during manipulation simulation. Experiments on synthetic and real-world datasets demonstrate that IFSC improves individual-fairness consistency and mitigates imitation-induced distortions.
• Abstract（参考訳）: 戦略分類(SC: Strategic classification)は、エージェントが予測モデルから好意的な決定を得るために特徴を操作できるシナリオを調査する。 既存のフェアネスを意識したSCアプローチは、主にグループフェアネスに焦点を当て、エージェントが独立して反応すると仮定する。 しかし、個々人の公正性が必要な場合、類似した個人が同様の結果を得るようにすると、エージェントの操作は相互に依存する。 これにより、古典的なSCの定式化とフェアネスを意識した決定設定のミスマッチが発生し、独立モデルはもはや戦略的操作を正確に特徴づけることができない。 この問題に対処するために、各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を導入し、エージェントが近隣の肯定的に決定されたピアを模倣して好意的な結果を得る。 IFSCは、戦略的な操作を、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、その結果の操作後分布の下で分類器を学ぶ。 ピアオブザーバビリティの不確実性を考慮するため、IFSCは、操作シミュレーション中に確率的摂動を導入する頑健な学習プロセスを採用している。 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。

関連論文リスト

• Partial Fairness Awareness: Belief-Guided Strategic Mechanism for Strategic Agents [23.40393298376199]
  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。
  論文  参考訳（メタデータ） (2026-05-30T17:53:43Z)
• 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)
• Do Fair Models Reason Fairly? Counterfactual Explanation Consistency for Procedural Fairness in Credit Decisions [0.0]
  既存の結果フェアモデルは、個人に対して根本的に異なる推論を適用可能であることを示す。 本稿では,このバイアスを検出し緩和するフレームワークであるCECを提案する。 主なコントリビューションには、最寄りのカウンターファクト生成方法、統合勾配比較のための修正ベースライン、およびそれに対応するトレーニング損失が含まれる。
  論文  参考訳（メタデータ） (2026-05-12T19:54:25Z)
• Multimodal Learning on Low-Quality Data with Conformal Predictive Self-Calibration [72.0672328514289]
  マルチモーダル学習は、しばしば低品質データの課題に悩まされる。 コンフォーマル予測自己校正(Conformal Predictive Self-Calibration)と呼ばれる統合フレームワークを提案する。 私たちのフレームワークは、既存の最先端メソッドを一貫して上回ります。
  論文  参考訳（メタデータ） (2026-05-05T14:48:52Z)
• Gaming the Judge: Unfaithful Chain-of-Thought Can Undermine Agent Evaluation [76.5533899503582]
  大規模言語モデル(LLM)は、エージェントのパフォーマンスを評価するために、ますます裁判官として使われている。 このパラダイムは、エージェントのチェーン・オブ・シークレット(CoT)推論が内部の推論と環境状態の両方を忠実に反映していることを暗黙的に仮定している。 我々は、操作された推論だけで、様々なWebタスクにまたがる800の軌跡に対して、最先端のVLM審査員の偽陽性率を最大90%向上させることができることを実証した。
  論文  参考訳（メタデータ） (2026-01-21T06:07:43Z)
• Strategic Classification With Externalities [11.36782598786846]
  戦略分類問題の新しい変種を提案する。 実世界のアプリケーションによって動機づけられた我々のモデルは、あるエージェントの操作が他のエージェントに影響を与えることを決定的に許している。 特定の仮定の下では、このエージェント操作ゲームの純粋なナッシュ平衡はユニークであり、効率的に計算できることが示される。
  論文  参考訳（メタデータ） (2024-10-10T15:28:04Z)
• Fed-CBS: A Heterogeneity-Aware Client Sampling Mechanism for Federated Learning via Class-Imbalance Reduction [76.26710990597498]
  本研究では,ランダムに選択したクライアントからのグループデータのクラス不均衡が,性能の大幅な低下につながることを示す。 我々のキーとなる観測に基づいて、我々は効率的なクライアントサンプリング機構、すなわちフェデレートクラスバランスサンプリング(Fed-CBS)を設計する。 特に、クラス不均衡の尺度を提案し、その後、同型暗号化を用いてプライバシー保護方式でこの尺度を導出する。
  論文  参考訳（メタデータ） (2022-09-30T05:42:56Z)

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。