論文の概要: The Fair Lending Model: How the Longest-Running Algorithmic Fairness Programs Work in Practice
- arxiv url: http://arxiv.org/abs/2606.02957v2
- Date: Wed, 03 Jun 2026 21:28:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-05 19:21:33.103857
- Title: The Fair Lending Model: How the Longest-Running Algorithmic Fairness Programs Work in Practice
- Title（参考訳）: フェアレンディングモデル:最も長く続くアルゴリズムフェアネスプログラムの実践
- Authors: Emily Black, Miranda Bogen, Logan Koepke, Solon Barocas, Wesley Deng, Mingwei Hsu,
- Abstract要約: 米国の金融機関は何十年にもわたって、公正貸付法に基づくアルゴリズムフェアネスプログラムを実行してきた。
我々は、金融機関がアルゴリズムによる差別を地上でどのようにテストし緩和するかについて、最初の実証的な説明を提供する。
- 参考スコア（独自算出の注目度）: 6.14052818127501
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: U.S. financial institutions subject to fair lending laws have been running algorithmic fairness programs for decades. Despite this long history, remarkably little is known about how these requirements operate in practice. In this paper, we offer the first empirical account of how financial institutions test for and mitigate algorithmic discrimination on the ground. In doing so, we shed light on how the regulatory design of fair lending law and regulation have shaped the policies, processes, and practices of fair lending programs. Drawing on 35 semi-structured interviews with participants across the fair lending ecosystem, we find that while financial institutions have a floor of fairness practices aimed at preventing discrimination in lending largely absent in other domains, the specifics of how firms test for discrimination and search for less discriminatory algorithms varies widely. We also find that regulatory supervision via fair lending examinations has been the key driver of compliance work, but that the practical impact of fair lending programs often depends on how well they can navigate competing business incentives, perceived legal tensions, and regulatory uncertainty. Ultimately, our findings highlight the unique role that supervisory authority has played in successfully fostering fair lending practices -- a regulatory design feature that is distinct from other areas of civil rights law and almost completely absent from recent policy proposals for dealing with algorithmic discrimination.
- Abstract（参考訳）: 米国の金融機関は何十年にもわたって、公正貸付法に基づくアルゴリズムフェアネスプログラムを実行してきた。
この長い歴史にも拘わらず、これらの要件が実際にどのように機能するかは明らかになっていない。
本稿では、金融機関がアルゴリズムによる差別を地上でどのようにテストし緩和するかについて、最初の実証的な説明を行う。
そうすることで、公正貸付法と規制の規制設計が、公正貸付プログラムの方針、プロセス、実践をいかに形作ってきたかを明らかにした。
公正貸付エコシステムの参加者に対する35件の半構造化インタビューを参考に、金融機関は、他領域にほとんど欠落している貸付の差別を防止するための公正な慣行の場を持っているが、企業による差別の試行方法や差別の少ないアルゴリズムの探索方法の具体例は様々である。
また、公正貸付試験による規制監督がコンプライアンス業務の鍵となっていることも分かっていますが、公正貸付プログラムの実践的影響は、競合するビジネスインセンティブや、法的緊張感、規制の不確実性など、どのように振る舞うかにかかっています。
最終的に、我々の発見は、監督当局が公正融資の実践を成功させる上で果たしたユニークな役割を浮き彫りにしている。これは、他の公民権法と異なる規制設計の特徴であり、アルゴリズムの差別に対処する政策提案からほぼ完全に欠落している。
関連論文リスト
- LegalOne: A Family of Foundation Models for Reliable Legal Reasoning [54.57434222018289]
我々は、中国の法律ドメインに特化された基礎モデルのファミリーであるLegalOneを紹介します。
LegalOneは、法的推論をマスターするために設計された包括的な3フェーズパイプラインを通じて開発されている。
LegalOneの重み付けとLegalKit評価フレームワークを公開して、Legal AIの分野を前進させます。
論文 参考訳（メタデータ） (2026-01-31T10:18:32Z) - PLawBench: A Rubric-Based Benchmark for Evaluating LLMs in Real-World Legal Practice [67.71760070255425]
本稿では,大規模言語モデル (LLM) を評価するための実践的ベンチマークであるPLawBenchを紹介する。
PLawBenchは、13の実践的な法的シナリオにわたる850の質問で構成され、各質問には専門家が設計した評価ルーブが伴っている。
人間の専門的判断に合わせたLLMに基づく評価器を用いて,10種類の最先端のLLMを評価した。
論文 参考訳（メタデータ） (2026-01-23T11:36:10Z) - Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation [48.943054662940916]
フェアネス・アウェアの実践を文脈的・費用対効果という2つの観点から検討する。
本研究は,文脈が公正な実践の有効性にどのように影響するかを考察する。
本研究の目的は,SE実践者に対して,最小パフォーマンスコストで公正性を実現するプラクティスの選択を指導することである。
論文 参考訳（メタデータ） (2025-03-19T18:10:21Z) - Peer-induced Fairness: A Causal Approach for Algorithmic Fairness Auditing [0.0]
欧州連合の人工知能法は2024年8月1日に施行された。
リスクの高いAIアプリケーションは、厳格な透明性と公正な基準に従わなければならない。
本稿では,対実的公正性とピア比較戦略の強みを組み合わせた新しい枠組みを提案する。
論文 参考訳（メタデータ） (2024-08-05T15:35:34Z) - Formalising Anti-Discrimination Law in Automated Decision Systems [1.560976479364936]
英国における差別防止法に基づく新たな意思決定理論の枠組みを導入する。
本稿では,推定誤差と基礎となるデータ生成過程を考慮に入れた「条件推定パリティ」指標を提案する。
我々は、我々のフォーマリズムを現実世界のアルゴリズムによる差別のケースに適用し、技術的および法的推論が違法な差別を検知し軽減するためにどのように調整されるかを示す。
論文 参考訳（メタデータ） (2024-06-29T10:59:21Z) - Equalizing Credit Opportunity in Algorithms: Aligning Algorithmic
Fairness Research with U.S. Fair Lending Regulation [27.517669481719388]
信用は、アメリカにおける財政の健全化に欠かせない要素である。
機械学習アルゴリズムは、クレジットへのアクセスを決定するためにますます使われている。
機械学習が「不公平」の様々なバージョンをエンコードできることが研究で示されている
論文 参考訳（メタデータ） (2022-10-05T19:23:29Z) - Algorithmic Fairness in Business Analytics: Directions for Research and
Practice [24.309795052068388]
本稿では,アルゴリズムフェアネスの先見的,BAに着目したレビューを行う。
まず、バイアスの源泉と測定方法、およびバイアス緩和アルゴリズムに関する最先端の研究について概説する。
次に、ユーティリティ・フェアネスの関係について詳細な議論を行い、これらの2つの構成要素間のトレードオフの頻繁な仮定は、しばしば間違いまたは近視的であることを強調した。
論文 参考訳（メタデータ） (2022-07-22T10:21:38Z) - BeFair: Addressing Fairness in the Banking Sector [54.08949958349055]
銀行セクターにおける産業的オープンイノベーションプロジェクトの最初の成果を提示する。
本稿では,MLの公平性に関する一般的なロードマップと,バイアスの特定と緩和を支援するBeFairと呼ばれるツールキットの実装を提案する。
論文 参考訳（メタデータ） (2021-02-03T16:37:10Z) - Affirmative Algorithms: The Legal Grounds for Fairness as Awareness [0.0]
このようなアプローチがいかに「算術的肯定的行動」とみなされるかについて議論する。
我々は、政府契約の事件はアルゴリズムの公正性に代替的な根拠を与えると論じている。
我々は、偏り緩和が特定の原因と偏りのメカニズムに合わせたものであることを保証するために、アルゴリズム的公平性と因果推論の交点におけるさらなる研究を求める。
論文 参考訳（メタデータ） (2020-12-18T22:53:20Z)
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。