論文の概要: Probabilistic Race and Ethnicity Prediction Using Group-Specific Name Lists

• arxiv url: http://arxiv.org/abs/2610.06273v1
• Date: Mon, 05 Oct 2026 13:05:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 09:36:44.557923
• Title: Probabilistic Race and Ethnicity Prediction Using Group-Specific Name Lists
• Title（参考訳）: グループ固有名リストを用いた確率的レースと倫理予測
• Abstract要約: グループ固有名リストから校正群確率を導出するBISG(ell$BISG)手法を提案する。 本手法は、自記式人種、1900年国勢調査全数、レバノンの有権者登録簿で検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Statistically valid estimation of racial and ethnic disparities often requires inferring the probability that an individual belongs to a particular racial or ethnic group given only their name and geographic location. The standard approach, Bayesian Improved Surname Geocoding (BISG), relies on group population frequencies for each name. Although the U.S. Census Bureau provides such information for common names and a limited set of racial categories, comparable data do not exist for many racial and ethnic groups and are rarely available outside the U.S. We propose the list-powered BISG ($\ell$BISG) method, which can be used to derive calibrated group probabilities from group-specific name lists. These lists may be compiled based on expert knowledge or generated synthetically using large language models (LLMs), and thus may be subject to unknown biases. Representing names as embeddings, we treat list membership as a proxy prediction task and apply a correction based on proximal inference to recover the target group probabilities. We validate the method on U.S. voter files with self-reported race, on the full-count 1900 U.S. Census, and on the Lebanese voter registry. We find that LLM-generated name lists yield accurate and well-calibrated probabilities as well as precise disparity estimates comparable to those obtained using methods that require name-race data. Thus, $\ell$BISG substantially broadens the applicability of probabilistic race and ethnicity prediction to settings where name-race data are unavailable.
• Abstract（参考訳）: 統計的に妥当な人種的格差と民族的格差を推定するためには、個人が特定の人種的または民族的集団に属している可能性を推測する必要がある。 標準的なアプローチであるBayesian Improved Surname Geocoding (BISG)は、それぞれの名前の集団の頻度に依存している。 アメリカ合衆国国勢調査局は、一般的な名前や限られた人種区分についてそのような情報を提供しているが、多くの人種や民族に匹敵するデータは存在せず、アメリカ国外ではほとんど入手できない。 グループ固有名リストから校正群確率を導出するBISG(\ell$BISG)法を提案する。 これらのリストは、専門家の知識に基づいてコンパイルしたり、大きな言語モデル(LLM)を使用して合成されたりすることができるため、未知のバイアスを受けることがある。 単語を埋め込みとして表現し、列メンバシップをプロキシ予測タスクとして扱い、近位推論に基づく修正を適用して、対象グループ確率を回復する。 本手法は、自記式人種、1900年国勢調査全数、レバノンの有権者登録簿で検証する。 LLMが生成した名前リストは、精度が高く校正された確率と、名前追跡データを必要とする手法を用いて得られた手法に匹敵する精度の相違を推定する。 したがって$$\ell$BISGは、確率的人種と民族性予測の適用性を、名前付きデータが利用できない設定に大きく拡張する。

関連論文リスト

• Using Embedding Models to Improve Probabilistic Race Prediction [0.0]
  人種格差を推定するには、個人レベルの人種データが必要である。 データ取得は一般姓のみであり、米国の人口の約10%を削減している。 センサスでカバーされていない名前の競合確率を推定するために,埋め込み型BISG(eBISG)を提案する。
  論文  参考訳（メタデータ） (2026-04-24T13:49:49Z)
• Quantifying Query Fairness Under Unawareness [82.33181164973365]
  本稿では,二項分類を超えた複数の機密属性を効果的に処理する定量化に基づく頑健な公正度推定手法を提案する。 提案手法は, 様々な属性にまたがる既存のベースラインよりも優れており, 未知の公正度を測定するための信頼性の高いプロトコルを最初に確立した。
  論文  参考訳（メタデータ） (2025-06-04T16:31:44Z)
• What's in a Name? Auditing Large Language Models for Race and Gender Bias [45.1187517058961]
  我々は、GPT-4を含む最先端の大規模言語モデルのバイアスを調査するために監査設計を採用する。 このアドバイスは、一般的に人種的マイノリティや女性に結びついている名前に系統的に不利であることがわかった。
  論文  参考訳（メタデータ） (2024-02-21T18:25:25Z)
• Estimating Racial Disparities When Race is Not Observed [3.0931877196387196]
  本稿では,人種間の格差を推定する新しいモデルについて,人種の指標変数として姓を用いて紹介する。 ノースカロライナの投票者ファイルに基づく検証調査では、BISG+BIRDiEは政党登録における人種的違いを推定した場合、エラーを最大84%削減している。 提案手法を適用し,米国内国歳入庁の個人レベルの税率データを用いて住宅ローン利子控除の恩恵を受ける者の人種差を推定する。
  論文  参考訳（メタデータ） (2023-03-05T04:46:16Z)
• Race and ethnicity data for first, middle, and last names [0.0]
  我々は、人種と民族を宣伝するための最初の、中、そして最後の名前の、最も多くコンパイルされた公開辞書を提供する。 辞書は南部6州の有権者ファイルに基づいており、有権者登録時に自己申告された人種データを収集している。
  論文  参考訳（メタデータ） (2022-08-26T05:27:50Z)
• Estimating Structural Disparities for Face Models [54.062512989859265]
  機械学習では、異なるサブ人口間でのモデルの性能や結果の差を測定することで、しばしば異質度の測定が定義される。 本研究では、人間の顔に訓練されたコンピュータビジョンモデルや、顔属性予測や影響推定などのタスクについて、そのような分析を行う。
  論文  参考訳（メタデータ） (2022-04-13T05:30:53Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)
• One Label, One Billion Faces: Usage and Consistency of Racial Categories in Computer Vision [75.82110684355979]
  顔画像の分類的人種ラベルを提供するコンピュータビジョンデータセットによって符号化された人種システムについて検討する。 各データセットは、名目上等価な人種分類にもかかわらず、かなりユニークな人種体系をコードしている。 我々は、人種的カテゴリーがステレオタイプを符号化し、非整合性からステレオタイプへの分類から民族集団を除外する証拠を見出した。
  論文  参考訳（メタデータ） (2021-02-03T22:50:04Z)
• Magnify Your Population: Statistical Downscaling to Augment the Spatial Resolution of Socioeconomic Census Data [48.7576911714538]
  重要社会経済的属性の詳細な推定を導出する新しい統計的ダウンスケーリング手法を提案する。 選択された社会経済変数ごとに、ランダムフォレストモデルが元の国勢調査単位に基づいて訓練され、その後、微細なグリッド化された予測を生成するために使用される。 本研究では,この手法を米国の国勢調査データに適用し,ブロック群レベルで選択された社会経済変数を,300の空間分解能のグリッドにダウンスケールする。
  論文  参考訳（メタデータ） (2020-06-23T16:52:18Z)

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。