論文の概要: A Rank Graduation metric for Algorithmic fairness

• arxiv url: http://arxiv.org/abs/2609.39025v1
• Date: Wed, 30 Sep 2026 05:30:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.233268
• Title: A Rank Graduation metric for Algorithmic fairness
• Title（参考訳）: アルゴリズム的公正度のためのランクグラデーション指標
• Abstract要約: 本稿では,モデル予測誤差の分布を通じて公平性を評価するランクベースフレームワークを提案する。 このフレームワークは、ランクグラデュエーションフェアネス(RGF)、その統合測度AURGF、中心となるクレーマー-ヴォンミス置換試験、フェアネス説明可能性のための特徴除去手順を組み合わせる。
• 参考スコア（独自算出の注目度）: 4.318555434063274
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness assessment in algorithmic decisions that affect individuals, such as credit scoring, often relies on parity measures calculated at the aggregate group level. Such measures may not reveal which individuals experience unfairness or which explanatory factors contribute to it. In this paper, we propose a rank-based framework that evaluates fairness through the distribution of model prediction errors, thereby linking fairness assessment with predictive accuracy and explainability. The framework combines Rank Graduation Fairness (RGF), its integrated measure AURGF, a centered Cramer--von Mises permutation test, and a feature removal procedure for fairness explainability. We evaluate the methodology using logistic regression, random forest, gradient boosting, and a multilayer perceptron. The simulation study shows that protected-group imbalance can reverse descriptive fairness comparisons, whereas the proposed inferential procedure correctly distinguishes fair from unfair mechanisms. Its application to HMDA mortgage data produces model rankings that differ from those obtained with classical fairness criteria. Tree-based models, rather than logistic regression, provide the strongest combination of predictive accuracy and rank-based fairness, while the fairness null hypothesis is rejected for all four models. The persistence of disparity across statistical, bagging, boosting, and neural network specifications, together with the feature removal results, indicates that the observed unfairness is not specific to a single algorithm or predictor, but is associated with group differences embedded in the characteristics of the lending data. These findings support a broader approach to trustworthy artificial intelligence that combines predictive accuracy, fairness measurement, statistical inference, and explainability.
• Abstract（参考訳）: 信用スコアなどの個人に影響を与えるアルゴリズム上の決定における公平性評価は、しばしば集団レベルで計算されたパリティ尺度に依存する。 このような措置は、どの個人が不公平を経験しているか、またはどの説明的要因が寄与するかを明らかにするものではない。 本稿では,モデル予測誤差の分布による公正度の評価を行い,公平度評価を予測精度と説明可能性とをリンクするランクベースフレームワークを提案する。 このフレームワークは、ランクグラデュエーションフェアネス(RGF)、その統合測度AURGF、中心となるクレーマー-ヴォンミス置換試験、フェアネス説明可能性のための特徴除去手順を組み合わせる。 我々は,ロジスティック回帰,ランダム森林,勾配上昇,多層パーセプトロンを用いた手法の評価を行った。 シミュレーション研究により,保護群不均衡は記述的フェアネス比較を逆転させるが,提案手法はフェアネスと不公平メカニズムを正しく区別する。 HMDA住宅ローンデータへのその適用は、古典的公正基準で得られたものと異なるモデルランキングを生成する。 木に基づくモデルは、ロジスティック回帰ではなく、予測精度とランクに基づく公正性の最も強い組み合わせを提供する。 統計,バッグング,ブースティング,ニューラルネットワーク仕様の相違の持続性は,特徴除去結果とともに,観察された不公平性は単一アルゴリズムや予測器に特有ではなく,貸付データの特徴に埋め込まれたグループ差と関連していることを示す。 これらの発見は、予測精度、公正度の測定、統計的推測、説明可能性を組み合わせた、信頼できる人工知能に対する幅広いアプローチを支持している。

関連論文リスト

• Do Fair Models Reason Fairly? Counterfactual Explanation Consistency for Procedural Fairness in Credit Decisions [0.0]
  既存の結果フェアモデルは、個人に対して根本的に異なる推論を適用可能であることを示す。 本稿では,このバイアスを検出し緩和するフレームワークであるCECを提案する。 主なコントリビューションには、最寄りのカウンターファクト生成方法、統合勾配比較のための修正ベースライン、およびそれに対応するトレーニング損失が含まれる。
  論文  参考訳（メタデータ） (2026-05-12T19:54:25Z)
• Detecting Statistically Significant Fairness Violations in Recidivism Forecasting Algorithms [0.0]
  本稿では, 統計的に有意なフェアネス指標違反を識別できる統計検査について紹介する。 我々は,国立司法研究所のデータに基づいて訓練されたリシビズム予測アルゴリズムをテストすることで,このアプローチを実証する。
  論文  参考訳（メタデータ） (2025-09-18T17:15:23Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• FairAdaBN: Mitigating unfairness with adaptive batch normalization and its application to dermatological disease classification [14.589159162086926]
  バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。 本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。 2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-03-15T02:22:07Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• 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)
• Fast Fair Regression via Efficient Approximations of Mutual Information [0.0]
  本稿では, 回帰モデルに対する独立性, 分離性, 充足性グループフェアネス基準の高速な近似について紹介する。 正規化リスク最小化フレームワーク内で公正性を強制するために、正規化のような近似を使用する。 実世界のデータセットでの実験では、計算効率が優れているにもかかわらず、我々のアルゴリズムは依然として最先端の精度/フェアネスのトレードオフを示す。
  論文  参考訳（メタデータ） (2020-02-14T08:50:51Z)

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。