論文の概要: Signed Exposure: Fair Routing of Algorithmic Attention When Attention Can Harm

• arxiv url: http://arxiv.org/abs/2609.29513v1
• Date: Tue, 25 Aug 2026 02:21:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-28 05:09:56.05214
• Title: Signed Exposure: Fair Routing of Algorithmic Attention When Attention Can Harm
• Title（参考訳）: サイン付き露光:注意が痛むとアルゴリズムの注意が均一にルーティングされる
• Abstract要約: フェアネス・オブ・エクスポージャー(Fairness-of-Exposure)は、アルゴリズムの注意を公平に分配できる善として扱う。 しかし、自律的なエージェントが接触を開始すると、注意が署名される。 注意の公平な分布は、望ましくない注意の公平な分布である必要はないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness-of-exposure treats algorithmic attention as a good to be distributed equitably. But when an autonomous agent initiates contact, attention is signed: it delivers value to a willing receiver and imposes a burden on an unwilling one. We formalize routing under signed exposure and show that a fair distribution of attention need not be a fair distribution of unwanted attention. Our central result is an incompatibility: within signed-exposure routing, exposure parity (equal contact rates across groups) and burden parity (equal unwanted-contact rates) generically cannot hold at once, and the two are separated by a band that widens as routing grows more selective. A second result shows measurement error is itself a fairness mechanism: group-differential noise in receptivity scores simultaneously inflates a group's exposure and degrades whom it selects, so an apparent exposure-fairness gain is a hidden burden transfer. Calibrating to a public dating-platform survey (n=2,499) that, to our knowledge, uniquely measures receive-side receptivity to conversational agents, we find exposure parity costs only 0.2--2.3% of yield yet moves the per-capita burden ratio to 1.7 times: the tension is between fairness notions, not between fairness and efficiency. Finally, the burden-parity policy is computable by bisection and learnable online: a plug-in learner recovers it at a $2.3\%$ empirical regret premium. The operative design choice in signed-exposure markets is not efficiency versus fairness but which fairness.
• Abstract（参考訳）: フェアネス・オブ・エクスポージャー(Fairness-of-Exposure)は、アルゴリズムの注意を公平に分配できる善として扱う。 しかし、自律的なエージェントが接触を開始すると、注意が署名される。 署名付き露光下でのルーティングを形式化し、注意の公平な分布が望ましくない注意の公平な分布である必要はないことを示す。 署名された露光ルーティング、露光パリティ(グループ間での平等な接触率)、負担パリティ(平等な接触率)は、一般的に一度に保持できず、ルーティングがより選択的に増加するにつれて広まるバンドによって分離される。 2つ目の結果は、測定誤差自体がフェアネスメカニズムであることを示している: 受容度スコアにおける群微分ノイズは、同時にグループの露出を膨張させ、それが選択したグループを劣化させるので、明らかな露光フェアネスゲインは、隠れた負担伝達である。 公的なデートプラットフォーム調査(n=2,499)では、会話エージェントに対する受信側受容率を独自に測定した上で、一人当たりの負担比が1.7倍に上昇する一方、一人当たりの負担比は0.2～2.3%という結果が得られた。 プラグイン学習者は、それを2.3\%$experiical regret Premiumで回復する。 署名付き露光市場における運用設計の選択は、効率と公正性ではなく、公正性である。

関連論文リスト

• Beyond Distributive Justice: Hermeneutical Fairness in Ad Delivery [7.857920011652655]
  オンライン広告は、広告のコンテンツや、受信者がそれを解釈し、取り込む方法によってもたらされる害を生み出すことができると我々は主張する。 我々は、広告配信を解釈的リソースを分配するメカニズムとしてモデル化し、2つの方法で失敗する可能性がある。 われわれはこれらを、既に分配的正義を強制する、ユーティリティ駆動型広告アロケーションフレームワークのベンチマークに統合している。
  論文  参考訳（メタデータ） (2026-05-05T06:51:40Z)
• Partial Identification Approach to Counterfactual Fairness Assessment [50.88100567472179]
  未知の対実的公正度尺度を高い信頼性で有界化するためのベイズ的アプローチを導入する。 以上の結果から、人種をアフリカ系アメリカ人に転換する際のCompASスコアに対する肯定的な(不快な)効果と、若年から高齢に移行する際の否定的な(直接的な因果関係)効果が明らかとなった。
  論文  参考訳（メタデータ） (2025-09-30T18:35:08Z)
• Fairness-Aware Reinforcement Learning (FAReL): A Framework for Transparent and Balanced Sequential Decision-Making [41.53741129864172]
  実世界のシーケンシャルな決定問題の等価性は、公平性を意識した方法で実施することができる。 複数のトレードオフを探索できるフレームワークを提案する。 フレームワークは複数のシナリオでより公平なポリシーを学習し、パフォーマンスの報酬をわずかに損なうだけであることを示す。
  論文  参考訳（メタデータ） (2025-09-26T11:42:14Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• Intersectional Two-sided Fairness in Recommendation [41.96733939002468]
  IFR(Inter-sectional Two-sided Fairness Recommendation)と呼ばれる新しいアプローチを提案する。 提案手法は,不利な群を知覚するシャープネス・アウェア・ロスを利用して協調的損失バランスを用いて,異なる交叉群に対して一貫した識別能力を開発する。 提案手法は, 両面の不公平性を効果的に軽減し, 従来手法よりも一貫して優れていた。
  論文  参考訳（メタデータ） (2024-02-05T08:56:24Z)
• Fair Clustering: A Causal Perspective [5.885238773559016]
  非因果フェアネスの概念の最適化は、因果的観点から直接差別効果をパラドックス的に引き起こすことが示されている。 本稿では、因果フェアネス指標を取り入れたクラスタリング手法を提案し、教師なし学習における公平性に対するよりニュアンスなアプローチを提供する。
  論文  参考訳（メタデータ） (2023-12-14T15:58:03Z)
• Fairness in Matching under Uncertainty [78.39459690570531]
  アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。 我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。 そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
  論文  参考訳（メタデータ） (2023-02-08T00:30:32Z)
• Fairness and robustness in anti-causal prediction [73.693135253335]
  分散シフトと公平性に対するロバストさは、機械学習モデルに必要な2つの重要なデシラタとして独立に現れている。 これら2つのデシダラタは関連しているように見えるが、実際にはその関連性はしばしば不明である。 この観点から見れば、共通フェアネス基準(分離)とロバストネスの共通概念との明確な関係を描いています。
  論文  参考訳（メタデータ） (2022-09-20T02:41:17Z)

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。