論文の概要: From Network Inequality to Network Fairness: A Perspective on Responsible Decision-Making

• arxiv url: http://arxiv.org/abs/2609.13867v1
• Date: Sat, 12 Sep 2026 10:38:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:05.591474
• Title: From Network Inequality to Network Fairness: A Perspective on Responsible Decision-Making
• Title（参考訳）: ネットワーク不平等からネットワークフェアネスへ:責任決定の視点
• Abstract要約: ソーシャルネットワークは、個人の意思決定方法と機会の分散を形作る。 10のネットワーク効果を特定し、測定対象と観測対象の関係において構造的バイアスをどのように生み出すかを追跡する。 例として,ネットワークバイアスが本質的に有害あるいは有益ではないことを示す。
• 参考スコア（独自算出の注目度）: 8.949281514037148
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Social networks shape how individuals make decisions and how opportunities are distributed. However, the mechanisms that generate these networks often reflect pre-existing inequalities, and technologies that rely on network-derived signals risk further amplifying such disparities. Algorithmic fairness research largely treats networks as a fixed background, grounding analysis almost exclusively in distributive justice and overlooking how network structures systematically bias decision-making. In this Perspective, we identify ten network effects and trace how they create structural biases in the relationship between what we intend to measure and what we observe. Using academic hiring as an example, we show that network biases are not inherently harmful or beneficial. Determining their legitimacy requires examining the entire decision-making process through the lenses of both distributive and procedural justice while engaging all affected stakeholders. We therefore call for a holistic, networked approach to fairness that moves beyond static group categories and recognizes the dynamic, relational, and structural nature of inequality.
• Abstract（参考訳）: ソーシャルネットワークは、個人の意思決定方法と機会の分散を形作る。 しかしながら、これらのネットワークを生成するメカニズムは、しばしば既存の不平等を反映しており、ネットワーク由来の信号に依存する技術は、そのような格差をさらに増幅するリスクがある。 アルゴリズムの公正性の研究は、ネットワークを固定された背景として扱い、分散的正義とネットワーク構造が体系的に決定を下す方法を見落としている。 このパースペクティブでは、10のネットワーク効果を特定し、測定対象と観測対象の関係における構造的バイアスをどのように生み出すかを追跡する。 例として,ネットワークバイアスが本質的に有害あるいは有益ではないことを示す。 彼らの正当性を決定するには、すべての影響を受けるステークホルダーを関与させながら、分配的および手続き的公正の両方のレンズを通して意思決定プロセス全体を調べる必要がある。 したがって、我々は、静的群圏を超えて不等式の動的、リレーショナル、構造的性質を認識する公平性に対する包括的でネットワーク化されたアプローチを提唱する。

関連論文リスト

• Fairness-Aware Network Embeddings: Methods, Applications, and Challenges [16.601913689265547]
  実世界のネットワークは、しばしば人口動態の不均衡、ホモフィリー、その他の社会的バイアスから構造的不平等を反映する。 本稿では,複雑なネットワークに対する公平性を考慮したネットワーク埋め込みについて概観する。
  論文  参考訳（メタデータ） (2026-08-19T18:51:55Z)
• Fairness in Opinion Dynamics [0.7340017786387767]
  最先端のモデルが特定の少数民族を識別し、どの集団が悪化するかを確実に予測できるかどうかを考察する。 本研究は,このアルゴリズムがどのアルゴリズムで不正確な予測を行うかを評価する際に,3つの分類器モデル(デモグラフィーベース,トポロジーベース,ハイブリッド)がどのように機能するかを検討する。 個人属性とネットワーク構造の両方を取り入れた多面的アプローチは、アルゴリズムバイアスを低減する上で不可欠である、と結論付けている。
  論文  参考訳（メタデータ） (2026-01-07T12:15:02Z)
• The Power of Network Pluralism: Multi-Perspective Modeling of Heterogeneous Legal Document Networks [5.170807667319542]
  本稿では,マルチパースペクティビティを活用し,より完全で有意義でロバストな結果を得る概念的枠組みとして,ネットワーク多元論を紹介した。 我々は、複雑な法体系のハンズオン分析を通じて、このアプローチの利点を開発し、実証する。 我々の研究は、ドメイン駆動ネットワーク研究におけるネットワーク多元論の広範な採用を促進するための青写真として機能する。
  論文  参考訳（メタデータ） (2025-12-05T12:47:43Z)
• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Recommendation Fairness in Social Networks Over Time [20.27386486425493]
  提案手法は,時間経過に伴う推薦公平性の進化と動的ネットワーク特性との関係について検討する。 提案手法によらず,推奨公正性は時間の経過とともに向上することが示唆された。 マイノリティ比とホモフィリー比の2つのネットワーク特性は、時間とともに公平性と安定した相関を示す。
  論文  参考訳（メタデータ） (2024-02-05T19:03:23Z)
• Rethinking Bias Mitigation: Fairer Architectures Make for Fairer Face Recognition [107.58227666024791]
  顔認識システムは、法執行を含む安全クリティカルなアプリケーションに広くデプロイされている。 彼らは、性別や人種など、様々な社会的デデノグラフィー次元に偏見を示す。 バイアス軽減に関するこれまでの研究は、主にトレーニングデータの事前処理に重点を置いていた。
  論文  参考訳（メタデータ） (2022-10-18T15:46:05Z)
• Stimulative Training of Residual Networks: A Social Psychology Perspective of Loafing [86.69698062642055]
  残余のネットワークは大きな成功を収め、今日のディープモデルでは欠かせないものになっている。 我々は,新たな社会的心理学的視点から,残余ネットワークのトレーニングプロセスを再検討することを目的としている。 残余ネットワークの性能を高めるための新たなトレーニング戦略を提案する。
  論文  参考訳（メタデータ） (2022-10-09T03:15:51Z)
• FairSNA: Algorithmic Fairness in Social Network Analysis [17.39106091928567]
  ソーシャルネットワークの構造的バイアスが、さまざまな方法の公平性にどのように影響するかを強調します。 我々は、異なるSNA問題に対して、ネットワーク構造に基づくソリューションを提案しながら考慮すべき公平性について論じる。 フェアネスとSNAのギャップを埋めるために研究者の注意を必要とする様々なオープンな研究の方向性を強調した。
  論文  参考訳（メタデータ） (2022-09-04T19:11:38Z)
• 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)
• Rank Diminishing in Deep Neural Networks [71.03777954670323]
  ニューラルネットワークのランクは、層をまたがる情報を測定する。 これは機械学習の幅広い領域にまたがる重要な構造条件の例である。 しかし、ニューラルネットワークでは、低ランク構造を生み出す固有のメカニズムはあいまいで不明瞭である。
  論文  参考訳（メタデータ） (2022-06-13T12:03:32Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Provably Training Neural Network Classifiers under Fairness Constraints [70.64045590577318]
  過パラメータのニューラルネットワークが制約を満たしていることを示す。 公平なニューラルネットワーク分類器を構築する上で重要な要素は、ニューラルネットワークの非応答解析を確立することである。
  論文  参考訳（メタデータ） (2020-12-30T18:46:50Z)

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。