論文の概要: From Fair Representation to Just Recognition in Generative AI

• arxiv url: http://arxiv.org/abs/2608.12669v1
• Date: Thu, 13 Aug 2026 00:08:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.350374
• Title: From Fair Representation to Just Recognition in Generative AI
• Title（参考訳）: フェア表現からジェネレーティブAIにおける認識へ
• Abstract要約: 我々は、表現的公正から認識的正義への移動が、生成的AIにおける中心的公正性の課題を管理するためのより良い概念的および規範的ツールを提供することを示す。 我々は、根底にある問題は単に誤表現ではなく、誤認識であると主張する。政治理論に基づいて、表現的公正から認識的正義への移行が、生成的AIにおける中心的公正問題を管理するためのより良い概念的および規範的ツールを提供することを示す。
• 参考スコア（独自算出の注目度）: 1.1458853556386799
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The fair AI/ML literature has long distinguished distributive fairness, concerning how automated systems allocate resources and opportunities, from representational fairness, concerning how they shape the ways individuals and social groups are perceived, understood, and accorded social status. Generative AI is rebalancing these normative dimensions. Unlike predictive systems, large language models (LLMs) and related technologies are fundamentally expressive: their primary function is to convey meaning rather than automate domain-specific decisions. Representational harm has also become central to value alignment, especially in research on what and whose values and perspectives AI systems should represent. Existing approaches to harms in the representation of social groups often appeal to descriptive accuracy, but this strategy has important limitations. For many social groups, no stable or bounded referent exists against which representational accuracy can be judged. It is also unclear who has the authority to decide what counts as misrepresentation, while even accurate representations can reproduce harmful social patterns. The underlying problem, we argue, is therefore not simply misrepresentation but misrecognition. Drawing on political theory, especially Nancy Fraser's account of participatory parity, we show how moving from representational fairness to recognitional justice provides better conceptual and normative tools for governing central fairness challenges in generative AI.
• Abstract（参考訳）: 公正なAI/ML文献は、自動システムがいかに資源と機会を割り当てるか、表現的公正から、個人や社会集団の認識、理解、社会的地位の整合性をどう形成するかに関して、長い間区別されてきた。 ジェネレーティブAIは、これらの規範的な次元を再バランスさせている。 予測システムとは異なり、大きな言語モデル(LLM)と関連する技術は基本的に表現力があり、その主な機能はドメイン固有の決定を自動化するのではなく意味を伝えることである。 表現的害は、特にAIシステムが表現すべき価値と視点についての研究において、価値アライメントの中心にもなっている。 社会集団の表現における害に対する既存のアプローチは、しばしば記述的正確性に訴えるが、この戦略には重要な制限がある。 多くの社会集団では、表現精度を判断できる安定な参照や有界参照は存在しない。 また、正確な表現でさえ有害な社会パターンを再現する一方、誰が誤表現とみなすかを判断する権限を持っているかは定かではない。 したがって、根底にある問題は単に誤認識ではなく、誤認識である。 政治理論、特にナンシー・フレイザーの参加的公平性の説明に基づいて、表現的公正から認識的正義への移行が、生成的AIにおける中心的公正性課題を管理するためのより良い概念的および規範的ツールを提供することを示す。

関連論文リスト

• Trustworthy AI Suffers from Invariance Conflicts and Causality is The Solution [80.98492754957466]
  公正性、堅牢性、プライバシ、説明可能性といった、信頼性の高いAI目標を同時に達成することは難しい。 本稿では、パフォーマンスにおけるトレードオフを理解しバランスをとるためには因果性が必要であると論じ、信頼できるAIの複数の目的について論じる。
  論文  参考訳（メタデータ） (2026-05-04T14:26:28Z)
• Why Avoid Generative Legal AI Systems? Hallucination, Overreliance, and their Impact on Explainability [0.0]
  本稿では, 法的な職業における生成型AIシステムの展開には, 幻覚と過信の重大なリスクのため, 強い抑制が必要であることを論じる。 この分析の中心はジェネレーティブ法定AI(GLAI)の定義である。
  論文  参考訳（メタデータ） (2026-03-16T21:40:43Z)
• Interpretable Debiasing of Vision-Language Models for Social Fairness [55.85977929985967]
  本稿では,視覚・言語モデルに社会的属性ニューロンを局在させる,解釈可能なモデルに依存しないバイアス緩和フレームワークDeBiasLensを紹介する。 社会属性ラベルを含まない顔画像やキャプションデータセットでSAEを訓練し、特定の人口動態に高い応答性を持つニューロンを明らかにする。 我々の研究は、未来の監査ツールの基礎を築き、新興の現実世界のAIシステムにおける社会的公正性を優先します。
  論文  参考訳（メタデータ） (2026-02-27T13:37:11Z)
• Infrastructuring Contestability: A Framework for Community-Defined AI Value Pluralism [0.0]
  AI駆動システムの普及は、人間とコンピュータのインタラクションとコンピュータが支援する協調作業に課題をもたらす。 集中型のトップダウン定義に依存している現在の価値アライメントへのアプローチには、意味のある競争性のためのメカニズムが欠如している。 本稿では,このギャップに対処する社会技術フレームワークであるCommunity-Defined AI Value Pluralismを紹介する。
  論文  参考訳（メタデータ） (2025-07-07T16:45:50Z)
• Resource Rational Contractualism Should Guide AI Alignment [69.07915246220985]
  契約主義的アライメントは、多様な利害関係者が支持する合意の中で決定を下すことを提案する。 我々は、AIシステムが合理的な当事者が形成する合意を近似する枠組みであるリソース・リアリズムを提案する。 RRC対応エージェントは、効率的に機能するだけでなく、変化する人間の社会世界への適応と解釈を動的に行うことができる。
  論文  参考訳（メタデータ） (2025-06-20T18:57:13Z)
• The AI Fairness Myth: A Position Paper on Context-Aware Bias [0.0]
  フェアネスは、歴史的に疎外されたグループに対して、意図的かつ文脈に配慮した優遇措置を必要とする場合もある、と我々は主張する。 偏見を排除の欠陥と見なすのではなく、是正的、意図的な偏見を受け入れる枠組みを提案する。
  論文  参考訳（メタデータ） (2025-05-02T02:47:32Z)
• The Impossibility of Fair LLMs [17.812295963158714]
  さまざまな技術的公正フレームワークを分析し、公正な言語モデルの開発を難易度の高いものにするために、それぞれに固有の課題を見つけます。 それぞれのフレームワークが汎用的なAIコンテキストに拡張されないか、実際には実現不可能であることを示す。 これらの固有の課題は、LLMを含む汎用AIにおいて、限られた参加入力や限られた測定方法といった経験的な課題が克服されたとしても、持続する。
  論文  参考訳（メタデータ） (2024-05-28T04:36:15Z)
• Towards Responsible AI in Banking: Addressing Bias for Fair Decision-Making [69.44075077934914]
  責任AI(Responsible AI)は、企業文化の発展におけるバイアスに対処する重要な性質を強調している。 この論文は、バイアスを理解すること、バイアスを緩和すること、バイアスを説明することの3つの基本的な柱に基づいて構成されている。 オープンソースの原則に従って、アクセス可能なPythonパッケージとして、Bias On DemandとFairViewをリリースしました。
  論文  参考訳（メタデータ） (2024-01-13T14:07:09Z)
• Factoring the Matrix of Domination: A Critical Review and Reimagination of Intersectionality in AI Fairness [55.037030060643126]
  間欠性は、社会的不平等の持続性を調べるための重要な枠組みである。 我々は、公平性を効果的に運用するために、交差性を分析的枠組みとして採用することが重要であると論じる。
  論文  参考訳（メタデータ） (2023-03-16T21:02:09Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• 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)
• Getting Fairness Right: Towards a Toolbox for Practitioners [2.4364387374267427]
  バイアスを意図せずに埋め込んで再現するAIシステムの潜在的なリスクは、マシンラーニング実践者や社会全体の注目を集めている。 本稿では,実践者が公正なAI実践を確実にするためのツールボックスのドラフトを提案する。
  論文  参考訳（メタデータ） (2020-03-15T20:53:50Z)

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。