論文の概要: Model Multiplicity and Predictive Arbitrariness in Recidivism Risk Assessment

• arxiv url: http://arxiv.org/abs/2606.02198v1
• Date: Mon, 01 Jun 2026 12:53:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:32.078118
• Title: Model Multiplicity and Predictive Arbitrariness in Recidivism Risk Assessment
• Title（参考訳）: レシビズムリスクアセスメントにおけるモデル多重度と予測任意性
• Authors: Ashwin Singh, Carlos Castillo,
• Abstract要約: 本稿では,15年以上にわたって使用されているリシビズムリスク評価のための機械学習に基づくシステムについて検討する。 我々は、予測性能を改善し、グループ間のエラーレートの相違を低減し、リハビリテーションの進行がリスクスコアを低くする解釈可能なモデルを学習する。 本実験は, 誤差速度の相違に匹敵する多くの類似した精度のモデルが存在することが, 必ずしも重大な予測多重度に変換されないことを示す。
• 参考スコア（独自算出の注目度）: 1.7465202628859542
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Prediction tasks over individual futures, which are inherently noisy, often admit multiple similarly accurate models. When these models produce different predictions for the same individual, they raise concerns of arbitrariness in decision-making. How severe can this arbitrariness be, in theory and in practice? How can it be resolved to support high-stakes risk assessment? We address these questions through a study of a machine learning-based decision support system for recidivism risk assessment that has been in use for over 15 years. By translating complex legal rules into an algorithm for labeling post release outcomes (recidivist or non-recidivist), we first construct a dataset of thousands of inmate releases. Using this dataset, we learn interpretable models that improve predictive performance, reduce error-rate disparities between groups, and ensure that rehabilitative progress lowers risk scores. Next, we study predictive multiplicity, by first deriving a tight lower bound on the expected predictive agreement of any finite set of models over a dataset, and then by evaluating the extent to which structural diversity (e.g., different model coefficients) within this set translates to predictive multiplicity (i.e., different predictions for the same individual). Our experiments indicate that the existence of many similarly accurate models with comparable error-rate disparities does not necessarily translate into severe predictive multiplicity. Empirically, similarly performant models can exhibit substantially higher predictive agreement than worst-case theoretical guarantees suggest. We find that a simple policy that assigns each inmate the lowest risk among these models is effective for addressing predictive arbitrariness.
• Abstract（参考訳）: 個々の未来に対する予測タスクは、本質的にノイズの多いものであり、しばしば同様の精度のモデルが複数存在する。 これらのモデルが同一個人に対して異なる予測を下すと、意思決定における任意性の懸念が持ち上がる。 理論上、実際において、この仲裁はどのくらい厳しいのか? 高リスク評価を支援するにはどうすればいいのか? 我々は,15年以上にわたって使用されているリシビズムリスク評価のための機械学習に基づく意思決定支援システムの研究を通じて,これらの課題に対処する。 複雑な法則をポストリリース結果(レシディビストまたは非レシディビスト)にラベル付けするアルゴリズムに翻訳することで、まず数千の受刑者リリースのデータセットを構築します。 このデータセットを用いて、予測性能を改善し、グループ間のエラーレートの相違を低減し、リハビリテーションの進行がリスクスコアを低下させるような解釈可能なモデルを学習する。 次に、まずデータセット上の任意の有限モデル集合の予測的合意に厳密な下限を導出し、次に、この集合内の構造的多様性(例えば、異なるモデル係数)が予測的多重度(すなわち、同一個人に対する異なる予測)に変換される範囲を評価する。 本実験は, 誤差速度の相違に匹敵する多くの類似した精度のモデルが存在することが, 必ずしも重大な予測多重度に変換されないことを示す。 経験的に、同様の性能を持つモデルは、最悪の理論的保証が示唆するよりもはるかに高い予測上の一致を示すことができる。 これらのモデルのうち、各受刑者が最もリスクの低いリスクを割り当てる単純なポリシーは、予測的仲裁に対処するのに有効である。

関連論文リスト

• Using predictive multiplicity to measure individual performance within the AI Act [8.79823465328347]
  本稿は、EU AI Actの正確性に関する規定に関連して、予測的乗法を定めている。 我々は、AI法に基づき、予測多重性に関する情報をデプロイ者に提供すべきだと提案する。
  論文  参考訳（メタデータ） (2026-02-12T13:40:00Z)
• On Arbitrary Predictions from Equally Valid Models [49.56463611078044]
  モデル多重性(英: Model multiplicity)とは、同じ患者に対して矛盾する予測を認める複数の機械学習モデルを指す。 たとえ小さなアンサンブルであっても、実際は予測的多重性を緩和・緩和できることを示す。
  論文  参考訳（メタデータ） (2025-07-25T16:15:59Z)
• Predictive Multiplicity in Survival Models: A Method for Quantifying Model Uncertainty in Predictive Maintenance Applications [0.0]
  我々は、生存に基づくモデルにおいて、予測的乗法が重要な関心事であると考えている。 あいまいさ、不明瞭さ、不明瞭さという形式的な尺度を導入し、それを定量化します。 これは特にメンテナンススケジューリングなどの下流タスクに関係している。
  論文  参考訳（メタデータ） (2025-04-16T15:04:00Z)
• Reconciling Model Multiplicity for Downstream Decision Making [24.335927243672952]
  2つの予測モデルがほぼ至るところでそれぞれの予測にほぼ一致しているとしても、最も応答性の高い行動が人口のかなりの部分で相違していることが示される。 本稿では,下流決定問題と個別確率予測の両方に関して,予測モデルを校正する枠組みを提案する。
  論文  参考訳（メタデータ） (2024-05-30T03:36:46Z)
• Structured Radial Basis Function Network: Modelling Diversity for Multiple Hypotheses Prediction [51.82628081279621]
  多重モード回帰は非定常過程の予測や分布の複雑な混合において重要である。 構造的放射基底関数ネットワークは回帰問題に対する複数の仮説予測器のアンサンブルとして提示される。 この構造モデルにより, このテッセルレーションを効率よく補間し, 複数の仮説対象分布を近似することが可能であることが証明された。
  論文  参考訳（メタデータ） (2023-09-02T01:27:53Z)
• Predictive Multiplicity in Probabilistic Classification [25.111463701666864]
  確率的分類における予測的乗数性を測定するための枠組みを提案する。 実世界のタスクにおける予測多重度の発生頻度と頻度を実証する。 その結果,予測多重度をより広範囲に報告する必要性が強調された。
  論文  参考訳（メタデータ） (2022-06-02T16:25:29Z)
• Test-time Collective Prediction [73.74982509510961]
  マシンラーニングの複数のパーティは、将来のテストポイントを共同で予測したいと考えています。 エージェントは、すべてのエージェントの集合の集合的な専門知識の恩恵を受けることを望んでいるが、データやモデルパラメータを解放する意思はないかもしれない。 我々は、各エージェントの事前学習モデルを利用して、テスト時に集合的な予測を行う分散型メカニズムを探索する。
  論文  参考訳（メタデータ） (2021-06-22T18:29:58Z)
• 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)
• Trust but Verify: Assigning Prediction Credibility by Counterfactual Constrained Learning [123.3472310767721]
  予測信頼性尺度は統計学と機械学習において基本的なものである。 これらの措置は、実際に使用される多種多様なモデルを考慮に入れるべきである。 この研究で開発されたフレームワークは、リスクフィットのトレードオフとして信頼性を表現している。
  論文  参考訳（メタデータ） (2020-11-24T19:52:38Z)
• Ambiguity in Sequential Data: Predicting Uncertain Futures with Recurrent Models [110.82452096672182]
  逐次データによる曖昧な予測を扱うために,Multiple hypothesis Prediction(MHP)モデルの拡張を提案する。 また、不確実性を考慮するのに適した曖昧な問題に対する新しい尺度も導入する。
  論文  参考訳（メタデータ） (2020-03-10T09:15:42Z)

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。