論文の概要: The Accuracy Trap: Structural Scarcity Amplifies Relative Inequality in Algorithmic Allocation
- arxiv url: http://arxiv.org/abs/2608.11491v1
- Date: Tue, 11 Aug 2026 23:04:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-13 19:07:54.399487
- Title: The Accuracy Trap: Structural Scarcity Amplifies Relative Inequality in Algorithmic Allocation
- Title（参考訳）: 精度トラップ:アルゴリズム配置における相対的不等式を増幅する構造的空洞
- Authors: Erina Seh-Young Moon, Matthew Tamura, Shion Guha,
- Abstract要約: アルゴリズムシステムは、公共資源の不足に対して個人を格付けする傾向にある。
スカーシティと精度は乗法的に相互作用し、指数関数的に大きなグループ間格差を生み出す。
我々は、モンテカルロシミュレーションとカナダの児童福祉と米国のがん治療における2つの独立した公共セクターシステムを通じて、この精度トラップを検証する。
- 参考スコア（独自算出の注目度）: 17.66664019775094
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Algorithmic systems increasingly rank individuals for access to scarce public resources, from child welfare interventions to cancer treatment referrals. The prevailing fairness frame treats disparity as a property of biased data or deficient models, with remedies through calibration and debiasing. Under structural scarcity, where demand exceeds supply by an order of magnitude, allocation becomes a rationing problem, and the statistical properties of ranking diverge sharply from those of classification. We derive a scaling law $D \propto \exp(t \cdot ρ\cdot Δ)$, in which relative disparity between two groups separated by a structural gap $Δ$ grows in the product of the scarcity-induced threshold $t$ and rank-discrimination fidelity $ρ$. Scarcity and accuracy interact multiplicatively, producing exponentially larger between-group disparities. We term this dynamic the Accuracy Trap. We validate this Accuracy Trap through Monte Carlo simulation and two independent public-sector systems in Canadian child welfare and U.S. cancer care. Debiasing alone cannot dissolve the trap.
- Abstract（参考訳）: アルゴリズムシステムは、児童福祉の介入からがん治療紹介まで、公共資源の不足に対して個人を格付けする傾向にある。
一般的な公平性フレームは、偏りのあるデータや欠陥のあるモデルの特性として不均衡を扱い、キャリブレーションとデバイアスによる改善を行う。
需要が需要を桁違いに上回る構造的不足の下では、アロケーションは規制問題となり、ランク付けの統計的性質は分類のものと大きく異なる。
構造的ギャップによって分離された2つの群間の相対的な格差$Δ$は、希薄化によって引き起こされるしきい値$t$とランク識別フィデリティ$ρ$の積で増大する。
スカーシティと精度は乗法的に相互作用し、指数関数的に大きなグループ間格差を生み出す。
我々はこの力学を精度トラップと呼ぶ。
我々は、モンテカルロシミュレーションとカナダの児童福祉と米国のがん治療における2つの独立した公共セクターシステムを通じて、この精度トラップを検証する。
偏見だけでは罠を解けない。
関連論文リスト
- Simplex Relaxation for Discrete Diffusion [58.33696160279345]
Simplax(Simplax)はディリクレ(Dirichlet)のカテゴリー拡張で、それぞれが崩壊したカテゴリ状態と補助的単純度値変数を結合する。
Simplaxは生成パープレキシティーを改善する。-無条件のOpenWebText生成におけるエントロピートレードオフ。
論文 参考訳（メタデータ） (2026-08-11T07:58:17Z) - 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) - Fair and Calibrated Toxicity Detection with Robust Training and Abstention [0.0]
トレーニングタイムの介入やポストホックの安全メカニズムは独立して評価することはできない。
経験的リスク最小化(ERM)、インスタンスレベルの再重み付け、グループDROをこれらの軸で比較する。
論文 参考訳（メタデータ） (2026-05-13T19:50:35Z) - Phase Transition for Budgeted Multi-Agent Synergy [41.486076708302456]
マルチエージェントシステムは信頼性を向上させることができるが、固定された推論予算の下では、しばしば役立つか、飽和するか、崩壊するかさえある。
我々は、現代のエージェントスタックの3つの束縛制約からこれらの状態を予測する最小限の校正可能な理論を開発する。
論文 参考訳（メタデータ） (2026-01-24T05:32:50Z) - When Are Learning Biases Equivalent? A Unifying Framework for Fairness, Robustness, and Distribution Shift [0.0]
機械学習システムは、保護されたグループに対する不公平さ、刺激的な相関に対する脆さ、少数民族のサブ人口に対するパフォーマンスの低下など、さまざまな障害モードを示す。
本稿では,異なるバイアス機構がモデル性能に定量的に等価な効果をもたらすことを特徴付ける統一理論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-09T20:48:09Z) - Uncertainty in Language Models: Assessment through Rank-Calibration [65.10149293133846]
言語モデル(LM)は、自然言語生成において有望な性能を示している。
与えられた入力に応答する際の不確実性を正確に定量化することは重要である。
我々は、LMの確実性と信頼性を評価するために、Rank$-$Calibration$と呼ばれる斬新で実用的なフレームワークを開発する。
論文 参考訳（メタデータ） (2024-04-04T02:31:05Z) - Causal Bandits for Linear Structural Equation Models [58.2875460517691]
本稿では,因果図形モデルにおける最適な介入順序を設計する問題について検討する。
グラフの構造は知られており、ノードは$N$である。
頻繁性(UCBベース)とベイズ的設定に2つのアルゴリズムを提案する。
論文 参考訳（メタデータ） (2022-08-26T16:21:31Z) - Partial and Asymmetric Contrastive Learning for Out-of-Distribution
Detection in Long-Tailed Recognition [80.07843757970923]
既存のOOD検出手法は,トレーニングセットが長距離分布している場合,大幅な性能劣化に悩まされていることを示す。
本稿では,部分的および非対称的な教師付きコントラスト学習(PASCL)を提案する。
我々の手法は従来の最先端の手法を1.29%$, $1.45%$, $0.69%$異常検出偽陽性率(FPR)と$3.24%$, 4,.06%$, 7,89%$in-distributionで上回ります。
論文 参考訳（メタデータ） (2022-07-04T01:53:07Z) - Unintended Selection: Persistent Qualification Rate Disparities and
Interventions [6.006936459950188]
機械学習におけるグループレベルの格差のダイナミクスについて検討する。
特に、人間の人工グループに固有の差異を仮定しないモデルを求めている。
我々は,非自明な平衡状態の集合に対して,サブポピュレーション間の資格率の差が無期限に持続可能であることを示す。
論文 参考訳（メタデータ） (2021-11-01T18:53:54Z) - The Interplay between Distribution Parameters and the
Accuracy-Robustness Tradeoff in Classification [0.0]
アドリラルトレーニングは、通常のモデルに比べて自然(未成熟)の例では正確でないモデルをもたらす傾向にある。
これは、アルゴリズムの欠点か、トレーニングデータ分散の基本的な性質によるものとみなすことができる。
本研究では,二進ガウス混合分類問題の下で後者のケースに焦点をあてる。
論文 参考訳（メタデータ） (2021-07-01T06:57:50Z)
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。