論文の概要: Scarcity and Predictive Uncertainty: Implications for Societal Resource Allocation
- arxiv url: http://arxiv.org/abs/2608.04251v1
- Date: Tue, 04 Aug 2026 22:12:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-06 14:48:43.646614
- Title: Scarcity and Predictive Uncertainty: Implications for Societal Resource Allocation
- Title（参考訳）: 都市と予測の不確かさ:社会資源配分の意義
- Abstract要約: 本研究では,資源配分に対する不確実性が,資源配分から得られる社会的利益の2次尺度と組み合わさって重大な意味を持つことを示す。
資源が乏しい場合、最大限界利益(MMB)優先順位付けは、同じ基礎となる初期状態であっても、予測の不確実性の低い個人を優先する。
本研究は,地方司法論に触発された多くの領域において,優先順位付け政策の分布結果に有意な影響を及ぼすものである。
- 参考スコア（独自算出の注目度）: 10.61236451266764
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: An emerging literature examines the critical question of when and how prediction can be useful in allocating scarce societal resources. We examine a novel variant of this question: What happens when predictive uncertainty differs systematically across the population? This can occur in several situations; for example, when machine learning models have significantly different accuracies across different demographics. We show that this uncertainty has serious implications for resource allocation when coupled with commonly used binary measures of societal benefit from allocation. We formulate a novel mathematical model of scarce resource allocation that accounts for heterogeneous predictive uncertainties and analyze implications for both the allocation mechanism and the realized population-level benefits. We find that when resources are very scarce, maximum marginal benefit (MMB) prioritization favors individuals with lower predictive uncertainty even at the identical underlying initial state. However, we observe a flip in prioritization when resources are abundant, targeting higher-uncertainty individuals. We illustrate the implications of our results on the PISA educational testing dataset. Our findings have meaningful ramifications for the distributional outcomes of prioritization policies in many domains touched by the theory of local justice, including the allocation of public education resources, medical triage, and homelessness services. They also reveal a new moral dilemma in the ethics of scarce resource allocation - is it just to allocate a resource to one person over another solely based on predictive uncertainty about their futures? We also assess efficiency losses under both MMB and the vulnerability-first (VF) prioritization. Our model predicts efficiency losses across all resource levels, but particularly in low-resource settings.
- Abstract（参考訳）: 新興文献では、希少な社会資源の割り当てにいつ、どのように予測が役立つかという批判的な疑問を考察している。
人口間で予測の不確実性が体系的に異なる場合、何が起こるのか?
これはいくつかの状況で起こりうる。例えば、機械学習モデルが異なる人口層間で著しく異なる精度を持つ場合である。
本稿では,この不確実性が資源配分に重大な影響を及ぼすことを示す。
本研究では,不均一な予測の不確かさを考慮に入れた資源配分の数学的モデルを構築し,アロケーション機構と実現された人口レベルのメリットの両方に影響を及ぼす影響を解析する。
資源が乏しい場合、最大限界利益(MMB)優先順位付けは、同じ基礎となる初期状態であっても、予測の不確実性の低い個人を優先する。
しかし、資源が豊富であれば優先順位付けのフリップが観察され、より不確実な個人をターゲットにしている。
PISA教育試験データセットにおいて,本研究の結果がもたらす意味について述べる。
本研究は,公共教育資源の配分,医療トリアージ,ホームレスサービスなど,地方司法理論に触発された多くの領域において,優先順位付け政策の分布結果に有意な影響を及ぼすものである。
彼らはまた、資源割り当ての少ない倫理における新たな道徳的ジレンマを明らかにしている。
また,MMBと脆弱性優先(VF)の優先順位付けによる効率損失も評価した。
我々のモデルはすべてのリソースレベル、特に低リソース環境における効率損失を予測する。
関連論文リスト
- How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。
因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。
本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
論文 参考訳（メタデータ） (2026-06-10T21:07:49Z) - Fairness in Limited Resources Settings [0.48127184936824546]
近年,機械学習アルゴリズムによって重要な社会決定がなされている。
我々は,意思決定の予測的側面と資源配分的側面の両方を考慮する。
この作業では、そのような設定における決定の公平性に焦点を当てます。
論文 参考訳（メタデータ） (2026-02-26T14:07:05Z) - Who Pays the RENT? Implications of Spatial Inequality for Prediction-Based Allocation Policies [10.445957451908697]
個人レベルのターゲティングに関する最近の研究は、矛盾する結果を示している。
あるモデルでは、ターゲティングは不平等が高いときに役に立たないが、あるモデルでは潜在的な利益を示す。
我々は,不平等の空間分布がドア・ドア・ドア・アウトリーチ政策の有効性にどのように影響するかを理解するために,Mallowsモデルに基づくスタイリングフレームワークを開発する。
論文 参考訳（メタデータ） (2025-08-12T02:16:50Z) - 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) - Auditing Fairness under Unobserved Confounding [56.61738581796362]
意外なことに、リスクの高い人に対する治療率の有意義な限界を計算できることが示されています。
現実の多くの環境では、リスクの偏りのない見積を導き出すために、アロケーションの前にデータを持っているという事実を使用します。
論文 参考訳（メタデータ） (2024-03-18T21:09:06Z) - Learning Optimal and Fair Policies for Online Allocation of Scarce Societal Resources from Data Collected in Deployment [4.659762505466962]
当社は、予算制約を満たしつつ、期待される成果を最大化するオンラインポリシーを設計するために、デプロイメントで収集された管理データを使用します。
当社の政策は,ホームレスからの退去率を5.16%向上させ,人種ごとの配分や結果に公平な政策は,フェアネスの非常に低い価格で得られることを示す。
論文 参考訳（メタデータ） (2023-11-23T01:40:41Z) - Outage Performance and Novel Loss Function for an ML-Assisted Resource
Allocation: An Exact Analytical Framework [2.1397655110395752]
本稿では,MLベースのリソース割り当てシステムの停止確率を最小限に抑えるために,新たな損失関数を提案する。
MLバイナリ分類予測器は、確立された停止基準を満たすリソースの選択を支援する。
論文 参考訳（メタデータ） (2023-05-16T18:23:52Z) - Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。
我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文 参考訳（メタデータ） (2021-10-21T18:28:57Z) - Distributive Justice and Fairness Metrics in Automated Decision-making:
How Much Overlap Is There? [0.0]
機会の平等を実践する指標は、資源割り当てが保存性に基づいている場合にのみ適用されるが、アロケーションが平等主義、十分性、優先順位に関する懸念を反映すべきときに失敗することを示す。
予測タスクと意思決定タスクをきれいに区別することで、公平な機械学習の研究は分散的正義に関する豊かな文献をよりうまく活用できると論じている。
論文 参考訳（メタデータ） (2021-05-04T12:09:26Z) - When Does Uncertainty Matter?: Understanding the Impact of Predictive
Uncertainty in ML Assisted Decision Making [68.19284302320146]
我々は,異なるレベルの専門知識を持つ人々が,異なるタイプの予測不確実性にどう反応するかを評価するために,ユーザスタディを実施している。
その結果,後続の予測分布を示すことは,MLモデルの予測との相違点が小さくなることがわかった。
このことは、後続の予測分布は、人間の分布の種類や専門性を考慮し、注意を払って使用するべき有用な決定支援として役立つ可能性があることを示唆している。
論文 参考訳（メタデータ） (2020-11-12T02:23:53Z) - Coordinated Online Learning for Multi-Agent Systems with Coupled
Constraints and Perturbed Utility Observations [91.02019381927236]
本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。
提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
論文 参考訳（メタデータ） (2020-10-21T10:11:17Z) - Survival Cluster Analysis [93.50540270973927]
異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。
このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
論文 参考訳（メタデータ） (2020-02-29T22:41:21Z)
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。