論文の概要: Who Should Be Generated? Justifying Demographic Targets in Open-Ended Generation

• arxiv url: http://arxiv.org/abs/2608.02551v1
• Date: Mon, 03 Aug 2026 17:35:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-04 15:07:25.732945
• Title: Who Should Be Generated? Justifying Demographic Targets in Open-Ended Generation
• Title（参考訳）: 誰が生成されるべきなのか? オープンエンディング世代におけるデモグラフィックのターゲットを正当化する
• Abstract要約: 人口統計値が未特定な世代に対する不足目標問題を提案する。 この問題を,評価対象,事前許容性,割り当て,運用化の4つのコミットメントに分類する。 我々は,0-to-1スケールで0.508から0.606の範囲で,地理的対象からかなりの分布のばらつきを見出した。
• 参考スコア（独自算出の注目度）: 5.740902487566014
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness evaluation concerns not only what a model produces, but also what its outputs ought to be compared against. When a model generates "a CEO in the United States," the prompt leaves demographic realization to the model. Existing group fairness definitions assume that sensitive attributes are given on the input side. Generative audits instead examine output-side demographic composition, yet the targets they compare it against are typically supplied rather than justified. The upstream question is what the target distribution should be. We formalize this missing-target problem for demographic-value-unspecified generation and decompose target construction into four commitments: the evaluative object, prior admissibility, allocation, and operationalization. In this framework, we admit the geographic prior under a geographic-membership interpretation for the declared public-world use. The occupational prior, under an incumbency interpretation, requires an independently defended objective such as workforce-composition fidelity. Instantiating this construction in AP-Bench, we find substantial distribution divergence from geography-derived targets, ranging from 0.508 to 0.606 on a 0-to-1 scale. Replacing each geography-derived target with an equal-category comparator, while holding generations and measurement fixed, produces model-specific mean absolute cell-level $\mathrm{JSD}_2$ changes ranging from 0.279 to 0.355. Target construction is therefore not a preliminary to fairness evaluation but a component of it. What we supply is not a universal target, but a framework that makes explicit the justification required before a distribution can serve as a fairness standard.
• Abstract（参考訳）: 公平性評価は、モデルが生成するものだけでなく、アウトプットを比較すべきものである。 モデルが "米国におけるCEO" を生成すると、プロンプトは人口統計学的実現をモデルに任せる。 既存のグループフェアネスの定義は、入力側で感度特性が与えられると仮定する。 生成的監査は代わりにアウトプット側の人口構成を調べるが、彼らがそれと比較するターゲットは通常、正当化されるのではなく供給される。 上流の質問は、ターゲットの分布が何であるべきかである。 人口統計値未特定世代に対するこの欠落目標問題を定式化し、対象構成を評価対象、事前許容性、割り当て、運用化の4つのコミットメントに分解する。 この枠組みでは、宣言された公開世界利用に対する地理的メンバーシップ解釈の下での地理的事前を認めます。 現職の解釈の下での職業的事前は、労働者構成の忠実さのような独立して防御された目的を必要とする。 この構造をAP-Benchで検証したところ、0-to-1スケールで0.508から0.606の範囲で、地理的に派生した目標からかなりの分布のばらつきが見られた。 各地理由来のターゲットを等カテゴリーのコンパレータで置き換え、世代と測定を固定しながら、モデル固有の平均絶対セルレベル$\mathrm{JSD}_2$変化を0.279から0.355まで生成する。 したがって、目標構築は公平性評価の予備的なものではなく、その構成要素である。 私たちが供給するものは普遍的なターゲットではなく、分布が公正な標準として機能するために必要な正当化を明確にするフレームワークです。

関連論文リスト

• Orthogonal JEPA: Factorized Predictive States for Latent World Models [95.20158869896393]
  予測因数分解に基づく潜在的世界モデリングフレームワークであるメソッドを導入する。 そこで本研究では,予測構造を弱め,あるいは矛盾する勾配を抑えつつ,冗長なキャパシティを支配的信号に割り当てる手法を提案する。 制御された視覚、単細胞転写学、縦断的な健康記録、連続的な制御、分子動力学の実験は、表現品質、予測、計画、長期安定性を評価する。
  論文  参考訳（メタデータ） (2026-08-20T13:59:57Z)
• The Crowded Embedding Space: A Mean-Field Mechanism for Emergent Marginalization in Retrieval-Augmented Agents [51.56484100374058]
  また,本論文では,本論文の関心事に役立てるために必要な文書密度が,意味論的に類似したマイノリティの検索地区を幾何的に超過することができることを示した。 本稿では,このような高密度検索における目標衝突が基本的性能限界をいかに引き起こすかを分析するための公式な枠組みを提案する。 このような目的が,過半数の利害にのみ貢献する状態に自己組織する上で,システムを促進することを実証する。
  論文  参考訳（メタデータ） (2026-06-01T20:40:30Z)
• The Statistical Fairness-Accuracy Frontier [50.323024516295725]
  機械学習モデルは正確性と公平さのバランスをとる必要があるが、これらの目標はしばしば矛盾する。 このトレードオフを理解するための有用なツールとしてフェアネス・精度フロンティアがあり、フェアネスと精度の両方で同時に改善できないモデルの集合を特徴付ける。 本研究では, 有限サンプル体制におけるFAフロンティアについて検討し, 人口の減少と, 最悪のケースギャップの定量化について検討した。
  論文  参考訳（メタデータ） (2025-08-25T03:01:35Z)
• Formalising causal inference as prediction on a target population [7.09435109588801]
  本稿では,Neyman と Rubin による潜在的な成果フレームワークのバージョンを開発する。 我々は、因果推論を、すべての仮定が再検討で検証可能な有限集団に対する治療学的予測であると解釈する。
  論文  参考訳（メタデータ） (2024-07-24T16:07:57Z)
• Beyond Discrepancy: A Closer Look at the Theory of Distribution Shift [27.99789694038377]
  この研究は、ソースからターゲット分布への分類器の分布シフトの理論を詳しく調べる。 対象からラベル付けされていないデータだけで十分である場合と,ラベル付けされたターゲットデータが必要な場合を示す。 いずれの場合も、我々は大規模なサンプル状態において厳密な理論的保証を提供する。
  論文  参考訳（メタデータ） (2024-05-29T15:00:19Z)
• Idempotent Generative Network [61.78905138698094]
  本稿では,ニューラルネットワークを等質にトレーニングした生成モデリングのための新しい手法を提案する。 一等演算子は、初期アプリケーションを超えて結果を変更せずに順次適用できる演算子である。 ターゲット分布とソース分布の両方からの入力を処理することにより、モデルがターゲット多様体に完全に破損または修正されたデータを投影することがわかった。
  論文  参考訳（メタデータ） (2023-11-02T17:59:55Z)
• Causal Fair Machine Learning via Rank-Preserving Interventional Distributions [0.5062312533373299]
  我々は、個人が架空の、規範的に望まれる(FiND)世界で等しければ、規範的に等しくなると定義する。 本研究では,それが保持する特定のFiND世界を定義するために,ランク保存的介入分布を提案する。 我々のワープアプローチは、最も差別された個人を効果的に識別し、不公平を緩和することを示します。
  論文  参考訳（メタデータ） (2023-07-24T13:46:50Z)
• Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
  我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。 本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。 実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-07-07T08:19:40Z)
• Can We Identify Stance Without Target Arguments? A Study for Rumour Stance Classification [10.19051099694573]
  提案手法は,応答から直接自然に推定できる実世界のデータを含む,噂の姿勢分類データセットを示す。 2つのベンチマークデータセットで最先端のパフォーマンスを実現するため、ターゲットによる推論を強化するためのシンプルで効果的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-22T15:44:15Z)
• Domain Adaptive Decision Trees: Implications for Accuracy and Fairness [28.37613618406726]
  本稿ではドメイン適応決定木(DADT)を導入してドメイン適応の分野に貢献する。 DADTは、目標人口の分布に対応する外部情報に基づいて、情報ゲイン分割基準を調整する。 実データ上でDADTを実証し、シフトしたターゲット集団でテストする場合、標準決定木よりも精度が向上することを示す。
  論文  参考訳（メタデータ） (2023-02-27T14:49:02Z)
• Estimating Generalization under Distribution Shifts via Domain-Invariant Representations [75.74928159249225]
  未知の真のターゲットラベルのプロキシとして、ドメイン不変の予測器のセットを使用します。 結果として生じるリスク見積の誤差は、プロキシモデルのターゲットリスクに依存する。
  論文  参考訳（メタデータ） (2020-07-06T17:21:24Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。