論文の概要: Simulating Eutopia: Revisiting Long-term Fairness with Outcomes, Performativity, and Dynamics
- arxiv url: http://arxiv.org/abs/2607.19389v1
- Date: Thu, 02 Jul 2026 12:07:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-27 00:46:13.149428
- Title: Simulating Eutopia: Revisiting Long-term Fairness with Outcomes, Performativity, and Dynamics
- Title（参考訳）: ユートピアのシミュレーション:アウトカム・パフォーマティビティ・ダイナミクスによる長期フェアネスの再考
- Abstract要約: 本稿では、AI駆動意思決定者(ADM)が達成できる長期的な公正さのニュアンスを再考する。
まず,多層人口と相互作用するローン承認ADMによる富の動態をマルコフ決定過程として定式化する。
そこで我々は,新しい演奏データ生成器を組み込んだ貸与プロセスシミュレータであるEutopiaを開発し,長期的公正戦略を学習する。
- 参考スコア（独自算出の注目度）: 14.8377838632502
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: As AI-driven Decision Makers (ADMs) influence our socioeconomic reality, their roles in both enhancing efficiency and amplifying the social biases have drawn attention. In this paper, we revisit the nuances of long-term `fairness' achievable by an ADM, specifically in the context of a credit lending induced wealth process. The literature on long-term fairness mostly (a) considers passive environments, i.e. the outcome of a predictor does not change the population's behaviour, and (b) measures bias in terms of disparity in instantaneous predictions rather than the downstream equity. These are not true for modern ADMs, like credit lenders. To address these caveats, we first formalise the wealth dynamics induced by a loan approving ADM interacting with a multi-demographic population as a performative Markov Decision Process with ADM level and social outcome level reward functions. Then, we mitigate the absence of such a performative test-bed by developing Eutopia: a lending-process simulator enabled with a novel performative data generator to learn long-term fair strategies. Finally, we test performative and classical RL algorithms with different fairness-aware and utilitarian utilities. Experimental results show that (a) learning with performative dynamics lead to better long-term efficiency and equity, and (b) learning with well-designed fairness-aware utility evaluated on social outcomes induces better efficiency, equity, and inclusivity.
- Abstract（参考訳）: AI駆動の意思決定者(ADM)が社会経済の現実に影響を及ぼすにつれ、効率の向上と社会的偏見の増幅の両方における彼らの役割が注目されている。
本稿では,ADMが達成できる長期的「公正」のニュアンスを再考する。
長期的な公正に関する文献
(a)受動的環境、すなわち、予測者の結果が人口の行動を変えていないことを考慮し、
(b)下流株式よりも即時予測における格差の観点からバイアスを測定すること。
これらは、債権者のような現代のADMには当てはまらない。
これらの問題点に対処するために、まず、マルチデデノグラフ人口と相互作用する貸付承認ADMによって引き起こされる富のダイナミクスを、ADMレベルと社会的成果レベルの報酬関数を備えた実行的マルコフ決定プロセスとして定式化する。
そこで我々は,新しい演奏データ生成装置を組み込んだ貸与プロセスシミュレータであるEuctopiaの開発により,このような演奏的テストベッドの欠如を軽減し,長期的公正戦略を学習する。
最後に,性能と古典的RLアルゴリズムの妥当性を検証した。
実験の結果
(a)演奏力学による学習は、より長期的な効率と公平性をもたらし、
b) 社会的成果に基づいて評価された公正性を考慮した学習は, より良い効率性, 公平性, 傾斜性をもたらす。
関連論文リスト
- SAVOIR: Learning Social Savoir-Faire via Shapley-based Reward Attribution [82.31558282651811]
複雑な対人相互作用をナビゲートするソーシャルインテリジェンスは、言語エージェントに根本的な課題を提示する。
既存のアプローチでは、言語モデルを直接使用してエピソードレベルの報酬を分配する。
協調ゲーム理論に基づく新しい原理的枠組みであるSAVOIRを提案する。
論文 参考訳（メタデータ） (2026-04-21T02:08:25Z) - Social Welfare Function Leaderboard: When LLM Agents Allocate Social Welfare [87.06241096619112]
大規模言語モデル(LLM)は、人間の福祉に影響を及ぼす高い意思決定にますます信頼されている。
本稿では, LLMが主権アロケータとして機能する動的シミュレーション環境である社会福祉機能ベンチマークを紹介する。
我々は、20の最先端LCMを評価し、社会福祉確保のための第1のリーダーボードを提示する。
論文 参考訳（メタデータ） (2025-10-01T17:52:31Z) - Effort-aware Fairness: Incorporating a Philosophy-informed, Human-centered Notion of Effort into Algorithmic Fairness Metrics [44.14690069232159]
Effort-aware Fairness (EaF) の概念化と評価のための哲学インフォームドアプローチを提案する。
私たちの作業は、AIモデル監査官が改善に多大な努力を払ってきたが、制御外の体系的な不利益に悩まされている個人に対して、不公平な判断を明らかにし、修正する可能性を秘めることができるかもしれません。
論文 参考訳（メタデータ） (2025-05-25T21:07:13Z) - Machine Learning Fairness in House Price Prediction: A Case Study of America's Expanding Metropolises [4.4701415309453285]
本稿では,構造的属性と近傍属性を組み合わせた機械学習モデルについて述べる。
特権群の様々な定義の下で、MLモデルの公正性に関する包括的な評価を行う。
異なるバイアス緩和ソリューションの性能について検討する。
論文 参考訳（メタデータ） (2025-05-02T21:26:21Z) - Distributive Fairness in Large Language Models: Evaluating Alignment with Human Values [13.798198972161657]
多くの社会的問題は資源の分配に関係しており、公平さと経済効率は結果の望ましさにおいて重要な役割を担っている。
本稿では,大規模言語モデル (LLM) が基本的公平性の概念に準拠しているかどうかを考察し,人間の嗜好との整合性について検討する。
論文 参考訳（メタデータ） (2025-02-01T04:24:47Z) - 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) - Reduced-Rank Multi-objective Policy Learning and Optimization [57.978477569678844]
実際には、因果研究者は先験を念頭において1つの結果を持っていない。
政府支援の社会福祉プログラムでは、政策立案者は貧困の多次元的性質を理解するために多くの成果を集めている。
本稿では、最適政策学習の文脈において、複数の結果に対するデータ駆動型次元性推論手法を提案する。
論文 参考訳（メタデータ） (2024-04-29T08:16:30Z) - What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。
近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。
我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
論文 参考訳（メタデータ） (2024-04-16T22:47:59Z) - Fairness in Algorithmic Recourse Through the Lens of Substantive
Equality of Opportunity [15.78130132380848]
アルゴリズムによる会話は、AIシステムとのインタラクションにおいて人に対してエージェンシーを与える手段として注目を集めている。
近年の研究では、個人の初期状況の違いにより、会話自体が不公平である可能性があることが示されている。
個人が行動するのに時間がかかるほど、設定が変更される可能性があるからだ。
論文 参考訳（メタデータ） (2024-01-29T11:55:45Z) - Mimicking Better by Matching the Approximate Action Distribution [48.95048003354255]
そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。
我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治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） (2023-06-16T12:43:47Z) - D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling
Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。
ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。
それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文 参考訳（メタデータ） (2022-08-10T03:41:48Z) - Adversarial Learning for Counterfactual Fairness [15.302633901803526]
近年、フェアネスは機械学習研究コミュニティにおいて重要なトピックとなっている。
我々は,MDDの罰則よりも強力な推論を可能にする,対向的ニューラルネットワークアプローチに頼ることを提案する。
実験では、離散的および連続的な設定の両方に対して、対実的公正性の観点から、顕著な改善が示された。
論文 参考訳（メタデータ） (2020-08-30T09:06:03Z)
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。