論文の概要: Algorithmic Gender Prediction Is Illegitimate, But Gender Imputation Can Yield Valid Measurements
- arxiv url: http://arxiv.org/abs/2608.13444v1
- Date: Thu, 13 Aug 2026 16:30:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-14 18:29:38.601278
- Title: Algorithmic Gender Prediction Is Illegitimate, But Gender Imputation Can Yield Valid Measurements
- Title（参考訳）: アルゴリズムによる性差予測は非合法だが、性差は正当性を測定することができる
- Abstract要約: 性別予測が非合法でありながら、有効な格差の測定結果が得られることを示す。
性差は前者にとって有効な測定値となるが、後者にとっては非合法であり有害である。
我々は、あらゆる種類の性差別に対処するより包括的な方法の開発を推奨することで締めくくります。
- 参考スコア（独自算出の注目度）: 6.129917268639289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Machine learning ethics researchers and critical HCI scholars have argued that algorithmically predicting gender is wrong. At the same time, other researchers rely on predicted gender labels to study gender disparities and develop algorithmic fairness techniques. How do we reconcile these two seemingly contradictory intuitions? We differentiate two ways gender prediction may be wrong: being illegitimate, thereby contributing to harm; and being invalid, thereby producing unusable measurements. Our analysis translates arguments against gender prediction into these terms of legitimacy and validity and shows how gender imputation applied for fairness purposes can be illegitimate yet still yield valid disparity measurements. We clarify this bind by drawing upon transfeminist literature to distinguish sexism that targets women and femininity from sexism that targets transgender and nonbinary people. While gender imputation can produce valid measurements for the former, it is illegitimate and harmful for the latter. We argue that practitioners should deploy gender imputation only when it would achieve anti-discrimination benefits that cannot be achieved through other reasonable means, while harms are minimized to the extent possible. We examine this tension in three case studies: auditing gender bias in generative image models, measuring gender disparities in film, and imputing gender from personal names. By disentangling legitimacy from validity, and differentiating these two forms of sexism, we show how debates over gender prediction have conflated distinct concerns, obscuring both the settings in which gender imputation can support fairness efforts and the harms towards transgender and nonbinary people that it fundamentally cannot capture. We conclude by recommending the development of more inclusive methods that address all kinds of sexism.
- Abstract（参考訳）: 機械学習の倫理学研究者と批判的なHCI学者は、アルゴリズムで性別を予測するのは間違っていると主張した。
同時に、他の研究者は、性別の格差を研究し、アルゴリズムの公正性技術を開発するために、予測された性別ラベルに依存している。
この2つの一見矛盾する直観をどう解決するか?
我々は、性別の予測が間違っているかもしれない2つの方法を区別する。
我々の分析は、性別予測に対する議論をこれらの正当性と妥当性の項に翻訳し、公平性のために適用された性差の計算がいかに非合法でも有効な格差の測定値が得られるかを示した。
我々は、トランスジェンダーや非バイナリーの人々を対象とする性差別と女性を対象とする性差別とを区別するために、トランスフェミニスト文学を参考にして、この結束を明らかにした。
性差は前者にとって有効な測定値となるが、後者にとっては非合法であり有害である。
我々は、他の合理的手段では達成できない差別的利益を達成できる場合に限って、性差別を展開すべきであり、害は可能な限り最小限に抑えられると論じている。
本研究は, 生成画像モデルにおける性別バイアスの監査, 映画における性別格差の測定, 個人名から性別を抽出する3つのケーススタディにおいて検討した。
正当性を正当性から切り離すことと、これらの2つの性差別を区別することにより、性差予測に関する議論が、性差の計算が公正性に寄与できるような設定と、本質的に捉えられないトランスジェンダーや非バイナリな人々に対する害の両方を、どのように混乱させてきたかを示す。
我々は、あらゆる種類の性差別に対処するより包括的な方法の開発を推奨することで締めくくります。
関連論文リスト
- GKnow: Measuring the Entanglement of Gender Bias and Factual Gender [47.39675194552945]
gknowは、性別関連予測の異なるタイプの言語モデルにおいて、性別に関する知識と性別バイアスを評価するためのベンチマークである。
我々は,ニューロンのアブレーションが,ステレオタイプや事実を異にするベンチマークに与える影響を検証した。
論文 参考訳（メタデータ） (2026-05-12T15:52:30Z) - Gender Trouble in Language Models: An Empirical Audit Guided by Gender Performativity Theory [0.19116784879310028]
言語モデルは有害な性別のステレオタイプをエンコードし、永続する。
これらのバイナリカテゴリの1つに適切に該当しない性的な用語は削除され、謝罪される。
以上の結果から,言語モデルにおける性障害の定義と対処方法の再評価の必要性が示唆された。
論文 参考訳（メタデータ） (2025-05-20T08:36:47Z) - On the "Illusion" of Gender Bias in Face Recognition: Explaining the Fairness Issue Through Non-demographic Attributes [7.602456562464879]
顔認識システムは、ユーザの性別に基づいて、かなりの精度の差を示す。
顔の属性を効果的にデコレーションし、集約し、バイアスの少ない性別分析を可能にするツールチェーンを提案する。
実験の結果,男女のイメージが特定の属性を共有すると,男女差は消失することがわかった。
論文 参考訳（メタデータ） (2025-01-21T10:21:19Z) - The Root Shapes the Fruit: On the Persistence of Gender-Exclusive Harms in Aligned Language Models [91.86718720024825]
我々はトランスジェンダー、ノンバイナリ、その他のジェンダー・ディバースのアイデンティティを中心とし、アライメント手順が既存のジェンダー・ディバースバイアスとどのように相互作用するかを検討する。
以上の結果から,DPO対応モデルは特に教師付き微調整に敏感であることが示唆された。
DPOとより広範なアライメントプラクティスに合わせたレコメンデーションで締めくくります。
論文 参考訳（メタデータ） (2024-11-06T06:50:50Z) - GenderCARE: A Comprehensive Framework for Assessing and Reducing Gender Bias in Large Language Models [73.23743278545321]
大規模言語モデル(LLM)は、自然言語生成において顕著な能力を示してきたが、社会的バイアスを増大させることも観察されている。
GenderCAREは、革新的な基準、バイアス評価、リダクションテクニック、評価メトリクスを含む包括的なフレームワークである。
論文 参考訳（メタデータ） (2024-08-22T15:35:46Z) - Beyond Binary Gender: Evaluating Gender-Inclusive Machine Translation with Ambiguous Attitude Words [85.48043537327258]
既存の機械翻訳の性別バイアス評価は主に男性と女性の性別に焦点を当てている。
本研究では,AmbGIMT (Gender-Inclusive Machine Translation with Ambiguous attitude words) のベンチマークを示す。
本研究では,感情的態度スコア(EAS)に基づく性別バイアス評価手法を提案する。
論文 参考訳（メタデータ） (2024-07-23T08:13:51Z) - Probing Explicit and Implicit Gender Bias through LLM Conditional Text
Generation [64.79319733514266]
大規模言語モデル(LLM)はバイアスと有害な応答を生成する。
本研究では,あらかじめ定義されたジェンダーフレーズやステレオタイプを必要としない条件付きテキスト生成機構を提案する。
論文 参考訳（メタデータ） (2023-11-01T05:31:46Z) - Much Ado About Gender: Current Practices and Future Recommendations for
Appropriate Gender-Aware Information Access [3.3903891679981593]
情報アクセス研究(と開発)は時にジェンダーを利用する。
この研究は、ジェンダーが何であるかの現在の理解と一致していないジェンダーについて様々な仮定を下している。
私たちがレビューするほとんどの論文は、性別が2つのカテゴリに分けることができないことを認めたとしても、性別のバイナリな概念に依存しています。
論文 参考訳（メタデータ） (2023-01-12T01:21:02Z) - Theories of "Gender" in NLP Bias Research [0.0]
NLPにおけるジェンダーバイアスに関する200近い記事を調査した。
記事の大多数は、性別に関する理論を明示していない。
多くの人は、トランス、ノンバイナリ、インターセックスの人々の存在と経験を無視した方法で、性の特徴、社会的性別、言語性について説明している。
論文 参考訳（メタデータ） (2022-05-05T09:20:53Z) - Multi-Dimensional Gender Bias Classification [67.65551687580552]
機械学習モデルは、性別に偏ったテキストでトレーニングする際に、社会的に望ましくないパターンを不注意に学習することができる。
本稿では,テキスト中の性バイアスを複数の実用的・意味的な次元に沿って分解する一般的な枠組みを提案する。
このきめ細かいフレームワークを用いて、8つの大規模データセットにジェンダー情報を自動的にアノテートする。
論文 参考訳（メタデータ） (2020-05-01T21:23:20Z)
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。