論文の概要: The AR Fairness Metamodel: A Structured Framework for Fairness Measures

• arxiv url: http://arxiv.org/abs/2609.19234v1
• Date: Wed, 16 Sep 2026 16:00:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.957842
• Title: The AR Fairness Metamodel: A Structured Framework for Fairness Measures
• Title（参考訳）: ARフェアネスメタモデル:フェアネス対策のための構造化フレームワーク
• Abstract要約: 本稿では,異なるフェアネスシナリオを表現,分析,比較するためのフレームワークであるARフェアネスメタモデルを提案する。 本稿では、平等、公平性、グループフェアネス、個人フェアネス、ジーニ指数、セイル指数、ジャイナのフェアネス指数、オーストラリアのチャイルドケア・サブシディの詳細なフェアネス指標など、離散的かつ連続的な指標の両方を含む例を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents the AR fairness metamodel, a framework designed to represent, analyze, and compare different fairness scenarios. The metamodel considers key elements, such as agents, resources, and their attributes, and enables the systematic definition and comparison of various fairness measures. We provide examples involving both discrete and continuous measures, including equality, equity, group fairness, individual fairness, the Gini index, the Theil index, Jain's fairness index, and a detailed fairness measure for Australia's Child Care Subsidy. We also explore relationships among group fairness, individual fairness, and envy-freeness, supported by formal proofs. At the conceptual modeling level, our approach builds on the Tiles framework, which offers modular components that can be connected to capture diverse fairness definitions. The goal is to make AR-based fairness definitions practical and adaptable across contexts, providing a clear way to define, compare, and evaluate them. An implementation of the Tiles framework is available as an open-source tool, and can support fairness modeling and evaluation across a wide range of applications.
• Abstract（参考訳）: 本稿では,異なるフェアネスシナリオを表現,分析,比較するためのフレームワークであるARフェアネスメタモデルを提案する。 メタモデルはエージェント、リソース、それらの属性といった重要な要素を考慮し、様々な公正度尺度の体系的定義と比較を可能にする。 本稿では、平等、公平性、グループフェアネス、個人フェアネス、ジーニ指数、セイル指数、ジャイナのフェアネス指数、オーストラリアのチャイルドケア・サブシディの詳細なフェアネス指標など、離散的かつ連続的な指標の両方を含む例を示す。 また、形式的な証明によって支えられたグループフェアネス、個人フェアネス、エンビーフリーネスの関係についても検討する。 概念モデリングのレベルでは、当社のアプローチはTilesフレームワーク上に構築されています。 目標は、ARベースの公正定義を現実的に、コンテキスト全体にわたって適用可能にすることであり、それらを定義し、比較し、評価するための明確な方法を提供することである。 Tilesフレームワークの実装はオープンソースツールとして利用可能であり、幅広いアプリケーションにわたる公正なモデリングと評価をサポートすることができる。

関連論文リスト

• Specification, Application, and Operationalization of a Metamodel of Fairness [0.0]
  本稿では,フェアネスのシナリオを形式的に表現し,分析し,比較することを目的としたARフェアネスメタモデルを提案する。 フェアネスのさまざまな定義を表現するために相互接続可能なモジュールコンポーネントを提供するTilesフレームワークを使用します。
  論文  参考訳（メタデータ） (2025-11-14T10:21:07Z)
• Fairmetrics: An R package for group fairness evaluation [0.3823356975862005]
  Fairmetrics Rパッケージは、グループベースのフェアネス基準を厳格に評価するための、ユーザフレンドリなフレームワークを提供する。 群に基づく公平度基準は、あるモデルが一組の事前定義されたグループに対して等しく正確であるか、あるいは適切に校正されているかを評価する。 Fairmetricsは、便利なラッパー関数を通じて、複数のメトリクスに対してポイントとインターバルの見積もりを提供する。
  論文  参考訳（メタデータ） (2025-06-06T17:07:41Z)
• Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
  本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。 そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。 具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
  論文  参考訳（メタデータ） (2023-10-18T10:32:39Z)
• FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
  本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。 グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
  論文  参考訳（メタデータ） (2023-06-15T19:51:28Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• fairlib: A Unified Framework for Assessing and Improving Classification Fairness [66.27822109651757]
  Fairlibは、分類の公平さを評価し改善するためのオープンソースのフレームワークである。 我々は、前処理、訓練時間、後処理を含む14のデバイアス化手法を実装した。 組み込まれたメトリクスは、最も一般的に使用されるフェアネス基準をカバーし、フェアネス評価のためにさらに一般化およびカスタマイズすることができる。
  論文  参考訳（メタデータ） (2022-05-04T03:50:23Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)

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。