論文の概要: Whose fairness? Structural concentration in AI bias research

• arxiv url: http://arxiv.org/abs/2607.05574v1
• Date: Mon, 06 Jul 2026 19:17:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.307241
• Title: Whose fairness? Structural concentration in AI bias research
• Title（参考訳）: 誰が公正か? AIバイアス研究における構造集中
• Abstract要約: AIバイアス研究は構造的に集中していることを示す。 研究活動は、少数の国、機関、著者によって支配されている。 低所得国と中所得国は、コミュニティとその協力ネットワークからほとんど欠落している。
• 参考スコア（独自算出の注目度）: 0.8032335513400145
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial intelligence increasingly mediates consequential decisions in healthcare, law, and public services, and the field has responded with an extensive methodology for measuring and mitigating bias. Yet the fairness definitions, benchmarks, and debiasing frameworks on which this methodology rests are treated as universal while being produced by a research community whose composition has never been characterized. We show that the AI bias research are structurally concentrated, and that this concentration is greatest, geographically, in precisely the domain the rest of the field inherits from. Analyzing 692 publications spanning five thematic domains, combining bibliometric analysis with semantic clustering, we find that research activity is dominated by a small set of countries, institutions, and authors, with the United States leading publication output and collaboration networks across every domain and most strongly in general fairness and bias mitigation, the largest, most-cited domain with meaningful representation across all four semantic clusters. Low- and middle-income countries remain largely absent from the community and its collaboration networks, and citation influence is highly skewed (median = 9; mean =93.5 ), indicating that a small fraction of publications disproportionately shapes the field. Because the general-fairness domain supplies the definitions and benchmarks that application areas apply, concentration of research effort in this foundational domain propagates across AI bias research as a whole - raising the concern that mitigation methods developed and validated within a narrow set of contexts may not generalize to all populations and settings where AI is deployed. We provide an interactive atlas for continuous monitoring of the field's structure.
• Abstract（参考訳）: 人工知能は、医療、法律、公共サービスにおける連続的な決定をますます仲介し、偏見の測定と緩和のための広範な方法論で対応してきた。 しかし、この方法論が残されている公平性の定義、ベンチマーク、偏見の枠組みは、構成が一度も特徴づけられていない研究コミュニティによって作成されながら普遍的に扱われる。 AIバイアス研究は構造的に集中しており、この集中度は地理的に、正確には領域の残りの部分から受け継がれていることを示している。 セマンティック・クラスタリング(セマンティック・クラスタリング)とビブリオメトリック・アナリティクス・アナリティクス・アナリティクス・アナリティクス(英語版)を組み合わせた692の論文を分析したところ、研究活動はいくつかの国、機関、著者によって支配されており、アメリカは各ドメインにわたる主要な出版物出力と協調ネットワーク、そして4つのセマンティック・クラスタにまたがる意味のある表現を持つ最大かつ最も熱心なドメインである一般公正と偏見の軽減に最も強く寄与している。 低所得国と中所得国は、コミュニティとその協力ネットワークからほとんど欠落しており、引用の影響は(中=9、平均=93.5 )、少数の出版物がその分野を不均等に形成していることを示している。 汎用フェアネスドメインは、アプリケーション分野が適用する定義とベンチマークを提供するため、この基礎分野における研究活動の集中は、AIバイアス研究全体にわたって伝播している。 フィールドの構造を連続的に監視するための対話型アトラスを提供する。

関連論文リスト

• A Unified Analysis of Generalization and Sample Complexity for Semi-Supervised Domain Adaptation [1.9567015559455132]
  ドメイン適応は、ソースドメインの豊富なラベル情報を活用して、限られたラベルを持つターゲットドメインの分類性能を向上させる。 既存の理論的分析のほとんどは、ソースとターゲットドメインが同じ入力空間を共有するような単純化された設定に焦点を当てている。 本稿では、ドメインアライメントに基づくドメイン適応アルゴリズムに関する包括的な理論的研究を行う。
  論文  参考訳（メタデータ） (2025-07-30T12:53:08Z)
• Domain Adversarial Active Learning for Domain Generalization Classification [8.003401798449337]
  ドメイン一般化モデルは、ソースドメインデータからクロスドメイン知識を学び、未知のターゲットドメインの性能を改善することを目的としている。 近年の研究では、多種多様なソース・ドメイン・サンプルがドメインの一般化能力を高めることが示されている。 そこで本研究では,ドメイン一般化における分類タスクに対するDAAL(Domain-adversarial Active Learning)アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-10T10:59:22Z)
• Federated Domain Generalization: A Survey [12.84261944926547]
  機械学習では、データはさまざまなデバイス、組織、エッジノードに分散されることが多い。 この課題に応えて、連邦領域の一般化への関心が高まっている。 本稿では,この領域における最近の進歩に関する最初の調査について述べる。
  論文  参考訳（メタデータ） (2023-06-02T07:55:42Z)
• Generalizability of Adversarial Robustness Under Distribution Shifts [57.767152566761304]
  本研究は, 実証的, 証明された敵対的堅牢性間の相互作用と, ドメインの一般化を両立させるための第一歩を踏み出した。 複数のドメインでロバストモデルをトレーニングし、その正確性とロバスト性を評価する。 本研究は, 現実の医療応用をカバーするために拡張され, 敵の増大は, クリーンデータ精度に最小限の影響を伴って, 強靭性の一般化を著しく促進する。
  論文  参考訳（メタデータ） (2022-09-29T18:25:48Z)
• Label-Efficient Domain Generalization via Collaborative Exploration and Generalization [28.573872986524794]
  本稿では,ラベル制限されたソースドメインを用いたモデル一般化を実現するために,ラベル効率のよいドメイン一般化(LEDG)を提案する。 本稿では,活発な探索と半教師付き一般化を共同で最適化する,共同探索・一般化(CEG)と呼ばれる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-07T05:34:50Z)
• Single-domain Generalization in Medical Image Segmentation via Test-time Adaptation from Shape Dictionary [64.5632303184502]
  ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。 本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。 本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2022-06-29T08:46:27Z)
• Compound Domain Generalization via Meta-Knowledge Encoding [55.22920476224671]
  マルチモーダル分布を再正規化するために,スタイル駆動型ドメイン固有正規化(SDNorm)を導入する。 組込み空間における関係モデリングを行うために,プロトタイプ表現,クラスセントロイドを利用する。 4つの標準ドメイン一般化ベンチマークの実験により、COMENはドメインの監督なしに最先端のパフォーマンスを上回ることが判明した。
  論文  参考訳（メタデータ） (2022-03-24T11:54:59Z)
• f-Domain-Adversarial Learning: Theory and Algorithms [82.97698406515667]
  教師なしのドメイン適応は、トレーニング中、ターゲットドメイン内のラベルなしデータにアクセス可能な、多くの機械学習アプリケーションで使用されている。 領域適応のための新しい一般化法を導出し、f-発散体の変分的特徴に基づく分布間の相違性の新しい尺度を利用する。
  論文  参考訳（メタデータ） (2021-06-21T18:21:09Z)
• Inferring Latent Domains for Unsupervised Deep Domain Adaptation [54.963823285456925]
  Unsupervised Domain Adaptation (UDA)は、ラベル付きデータが利用できないターゲットドメインでモデルを学習する問題を指す。 本稿では,視覚データセット中の潜在ドメインを自動的に発見することにより,udaの問題に対処する新しい深層アーキテクチャを提案する。 提案手法を公開ベンチマークで評価し,最先端のドメイン適応手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-03-25T14:33:33Z)
• An Online Learning Approach to Interpolation and Extrapolation in Domain Generalization [53.592597682854944]
  リスクを最小化するプレイヤーと新しいテストを示す敵の間のオンラインゲームとしてサブグループの一般化を再放送する。 両課題に対してERMは極小最適であることを示す。
  論文  参考訳（メタデータ） (2021-02-25T19:06:48Z)
• In Search of Lost Domain Generalization [25.43757332883202]
  ドメインの一般化のためのテストベッドであるDomainBedを実装します。 DomainBedを用いて広範な実験を行い、慎重に実装すると、経験的リスク最小化が最先端のパフォーマンスを示すことを確かめる。
  論文  参考訳（メタデータ） (2020-07-02T23:08:07Z)
• Mind the Gap: Enlarging the Domain Gap in Open Set Domain Adaptation [65.38975706997088]
  オープンセットドメイン適応(OSDA)は、ターゲットドメインに未知のクラスが存在することを前提としている。 既存の最先端手法は、より大きなドメインギャップが存在する場合、かなりの性能低下を被ることを示す。 我々は、より大きなドメインギャップに特に対処するための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-08T14:20:24Z)

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。