論文の概要: A Fairness Audit of the Duckworth-Lewis-Stern Method: Format-Specific and Gender-Differential Bias, with an Interpretable Calibration Layer for Cricket Target Revision

• arxiv url: http://arxiv.org/abs/2609.04754v1
• Date: Fri, 04 Sep 2026 05:38:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:23.923531
• Title: A Fairness Audit of the Duckworth-Lewis-Stern Method: Format-Specific and Gender-Differential Bias, with an Interpretable Calibration Layer for Cricket Target Revision
• Title（参考訳）: Duckworth-Lewis-Stern法におけるフェアネス監査:クリケットターゲット修正のための解釈可能な校正層を用いたフォーマト比およびジェンダー差バイアス
• Abstract要約: ダックワース・ルイス・スターン法(Duckworth-Lewis-Stern、DLS)は、1999年以来、雨期限定クリケットの目標スコアを改訂するための国際規格である。 20年以上の運用期間にもかかわらず、その予測バイアスに関する大規模な実証的な監査は公開されていない。 我々は,Cricsheetから8,150の国際試合(3,095 ODIs,5,055 T20Is)を行い,時間分割を伴う233,550の合成中断シナリオを生成した。
• 参考スコア（独自算出の注目度）: 4.152774504513197
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Duckworth-Lewis-Stern (DLS) method has been the international standard for revising target scores in rain-interrupted limited-overs cricket since 1999. Despite over two decades of operational use, no large-scale empirical audit of its prediction bias has been published. We conduct such an audit on 8,150 international matches (3,095 ODIs, 5,055 T20Is) from Cricsheet, generating 233,550 synthetic interruption scenarios with temporal splits. We document two structured biases. First, DLS prediction error spans a 137-run range across (overs-remaining, wickets-lost) match-state buckets. Second, DLS exhibits a gender-differential bias on ODIs that has not previously been quantified: on the training split, mean over-prediction is +1.51 runs for men but +7.63 runs for women, a gap of +6.13 runs (F = 195.16, p < 10^-43). We benchmark DLS against five modern alternatives: Bi-LSTM, XGBoost, an enriched XGBoost variant, a deep context-aware model, and a stacking ensemble, and propose DLS-Cal, a lightweight interpretable calibration layer (27K parameters) outputting a state-conditioned correction added to DLS. DLS-Cal reduces absolute bias by 31% on ODI and 19% on T20I, and a gender-aware variant reduces women's ODI residual bias from +6.19 to +0.65 runs while leaving men's calibration unchanged. We release code, models, and data.
• Abstract（参考訳）: ダックワース・ルイス・スターン法(Duckworth-Lewis-Stern、DLS)は、1999年以降、雨期限定クリケットの目標スコアを改訂するための国際規格である。 20年以上の運用期間にもかかわらず、その予測バイアスに関する大規模な実証的な監査は公開されていない。 我々は,Cricsheetから8,150の国際試合(3,095 ODIs,5,055 T20Is)を行い,時間分割を伴う233,550の合成中断シナリオを生成した。 2つの構造化バイアスを文書化する。 第一に、DLS予測エラーは137ランの範囲で、マッチ状態のバケット(残り、ウィケット-ロスト)にまたがる。 第2に、DLSは以前定量化されなかったODIに男女差の偏りを示しており、トレーニング分割では、過剰予測は男性で1.51回、女性では+7.63回、女性で+6.13回である(F = 195.16, p < 10^-43)。 提案するDLS-Calは,DLSに状態条件付き補正を加えた軽量な解釈可能なキャリブレーション層(27Kパラメータ)である。 DLS-CalはODIでは31%、T20Iでは19%の絶対偏差を減少させ、男女別ではODI残差が+6.19から+0.65に減少する。 コード、モデル、データをリリースします。

関連論文リスト

• Pre- and Post-Treatment Brain Metastases Segmentation Using nnU-Net with Post-Processing for BraTS 2026 [3.6641231031729173]
  脳転移は、サイズ、拡張パターン、および治療後の外観において高い配列間変動を示す。 5倍のnnU-Net ResEnc-Lアンサンブル上に実用的なパイプラインを構築する。 損失工学、代替バックボーン、推論時間設定にまたがる13の負の結果を報告する。
  論文  参考訳（メタデータ） (2026-09-10T12:43:04Z)
• Accurate Ensembles, Fragile Narratives: Multi-Scale Stacking and a Fidelity Audit of LLM-Generated Explanations for Credit Risk [0.0]
  クレジットスコアリングは、決定ロジックをパラメータから読み取ることができないモデルに依存している。 共通する提案は、言語モデルとのギャップを埋める: 特徴属性を計算し、それらを LLM に渡し、合理的に記述させる。 このようなシステムをエンド・ツー・エンドに構築し、約束の後半が成立するかどうかをテストします。
  論文  参考訳（メタデータ） (2026-08-08T13:22:14Z)
• On-Policy Self-Distillation without Any Supervision [47.315224514076334]
  我々は、内部整合性を通して、モデル自身の世代のみを用いて、政治上の自己蒸留を実現することができることを示す。 教師なしの政治自己蒸留(U-OPSD)を提案する。
  論文  参考訳（メタデータ） (2026-08-06T17:18:23Z)
• What You Train Is What You Get: Gender Bias, Training Composition, and Post-Hoc Mitigation in Audio Deepfake Detection [1.8315988392353102]
  ASVspoof5データセットを用いたディープフェイク検出における性別バイアスについて検討した。 我々は、性別構成の異なる9つの訓練セットで攻撃特化モデルを訓練する。 トレーニングデータ構成は, バイアス方向を強く予測し, 未表現の性別がテスト時に悪化していることが判明した。
  論文  参考訳（メタデータ） (2026-07-10T18:29:24Z)
• Knowledge Index of Noah's Ark [63.143852586221534]
  KINAは,261分野にわたる899項目のベンチマークである。 ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。 トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
  論文  参考訳（メタデータ） (2026-06-03T17:06:49Z)
• ARC-STAR: Auditable Post-Hoc Correction for PDE Foundation Models [47.9430487327673]
  ARC-STARは修正を3段階にまとめる: グローバルな修正器は広い解法バイアスを除去し、ブロックワイドな局所精錬器はポストグロバル残差を浄化し、展開時にはラベルフリースコアは計算予算の下でハイリスクなブロックに精算する。 ARC-STARは、全ての細胞で生ポセイドンよりも少なくとも36倍の速度ロールアウト誤差を減少させる唯一の方法である。
  論文  参考訳（メタデータ） (2026-05-21T09:26:16Z)
• Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
  テキスト検出器は、事前訓練された典型軸を増幅する。 タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。 RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
  論文  参考訳（メタデータ） (2026-05-20T19:08:38Z)
• Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
  大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。 個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。 構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
  論文  参考訳（メタデータ） (2026-05-15T17:08:27Z)
• Reframing preprocessing selection as model-internal calibration in near-infrared spectroscopy: A large-scale benchmark of operator-adaptive PLS and Ridge models [0.2609784101826761]
  本稿では,探索を1つのキャリブレーションステップに分解できる事例について検討する。 線形演算子適応キャリブレーションは、徹底的な前処理スクリーニングに匹敵する予測品質を与える。
  論文  参考訳（メタデータ） (2026-05-13T14:23:00Z)
• The Evaluation Blind Spot: A Stereological Theory of Benchmark Coverage for Large Language Models [0.0]
  実証的に、3つの独立したリーダーボード(Open LLM v2、拡張12ベンチマークスイート、LiveBench)は、いずれも[2.86, 4.80]のd_effを持つ。 Nemhauser (1 − 1/e) 保証付き部分モジュラーグリードアルゴリズムは、4つのベンチマークの安定なコアを見つける。 12のベンチマークと27のカテゴリの反実的な検証では、固有構造がどの評価が置き換えられないかを予測している。
  論文  参考訳（メタデータ） (2026-04-15T08:56:58Z)
• SOAR: Self-Correction for Optimal Alignment and Refinement in Diffusion Models [48.335262141752715]
  拡散モデルのための後トレーニングパイプラインには、キュレートされたデータに対する教師付き微調整(SFT)と報酬モデルによる強化学習(RL)の2段階がある。 本稿では,このギャップを埋めるバイアス補正ポストトレーニング法であるSOAR(Self-Correction for Optimal Alignment and Refinement)を提案する。 オンライン政治であり、報酬なしであり、クレジット割り当ての問題なく、時間ごとの密集した監督を提供する。
  論文  参考訳（メタデータ） (2026-04-14T11:45:15Z)
• Causal Judge Evaluation: Calibrated Surrogate Metrics for LLM Systems [0.29465623430708904]
  未校正スコアは選好を逆転させることができ、未校正スコアに対するナイーブな信頼区間は、ほぼ0%のカバレッジを獲得し、重要度重み付け推定器は、限られた重複の下で崩壊する。 3つの障害を全て解決するフレームワークであるCausal Judge Evaluationを紹介します。
  論文  参考訳（メタデータ） (2025-12-11T22:16:24Z)
• Impact of Labeling Inaccuracy and Image Noise on Tooth Segmentation in Panoramic Radiographs using Federated, Centralized and Local Learning [46.232038247686745]
  フェデレートラーニング(FL)は、歯科診断AIにおけるプライバシー制約、不均一なデータ品質、一貫性のないラベル付けを緩和する。 複数のデータ破損シナリオを対象としたパノラマX線撮影において,FLと集中学習(CL)と局所学習(LL)を比較した。
  論文  参考訳（メタデータ） (2025-09-08T11:07:47Z)

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。