論文の概要: Fairness under Prediction Error in Predict-then-Optimize Pipelines

• arxiv url: http://arxiv.org/abs/2610.18593v1
• Date: Tue, 13 Oct 2026 15:51:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-16 20:33:15.568874
• Title: Fairness under Prediction Error in Predict-then-Optimize Pipelines
• Title（参考訳）: 予測列最適化パイプラインにおける予測誤差の公平性
• Abstract要約: 我々は、この方法で強制された人口格差の制約が、$y$に対して引き続き保留されているかどうか、そして、結果として生じる違反が予測エラーによってどのようにスケールするかを調査する。 アメリカ国勢調査の所得データでは、訓練された予測者のアウトプットに人口格差を課すことで、真の収入の非制約的な格差は、元のサイズの約3分の1に減少する。 決定時点で完全に満足しているように見える公正な制約は、それが保護することを意図した結果に対して、実質的で体系的な違反を隠蔽することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness constraints in predict-then-optimize pipelines are necessarily enforced on predicted outcomes $\hat{y}$, since true outcomes $y$ are unobserved at decision time. We study whether a demographic parity constraint enforced this way continues to hold against $y$, and how the resulting violation scales with prediction error. Using a budget-constrained allocation problem solved as a linear program, we show empirically that the true-outcome fairness gap grows with prediction error $σ$ and saturates, well fit by $c(1 - e^{-σ/τ})$ with $c = 0.1545 \pm 0.0103$ and $τ= 3.9045 \pm 0.3745$; its mean is invariant to sample size while its variance decays at the standard $O(1/\sqrt{n})$ rate. We derive a two-part theoretical bound: a closed-form local sensitivity result showing the gap's first-order response to prediction error depends on only two individuals per group, validated against the solver to within three significant figures; and a universal, error-independent ceiling following from the boundedness of the decision variable, confirmed consistent with but looser than the empirical saturation level. On US Census income data, enforcing demographic parity on a trained predictor's output reduces an unconstrained disparity in true income to roughly one-third of its original size, leaving 34.4% $\pm$ 3.3% (California) and 35.7% $\pm$ 1.8% (Texas) of the disparity intact and undetectable from the predictions alone -- consistent not only in mechanism but in approximate magnitude across two states with different demographics and income distributions, and stable across ten independent train/test splits in each. A fairness constraint that appears fully satisfied at decision time can mask a substantial, systematic violation of the outcome it was meant to protect.
• Abstract（参考訳）: 予測列最適化パイプラインの公正性制約は、必ずしも予測結果に$\hat{y}$で強制される。 我々は、この方法で強制された人口格差の制約が、$y$に対して引き続き保留されているかどうか、そして、結果として生じる違反が予測エラーによってどのようにスケールするかを調査する。 線形プログラムとして解決された予算制約付き割当問題を用いて、真のアウトカムフェアネスギャップが予測誤差$σ$と飽和によって増大し、$c(1 - e^{-σ/τ})$ with $c = 0.1545 \pm 0.0103$ and $τ= 3.9045 \pm 0.3745$; その平均はサンプルサイズに不変であり、その分散は標準$O(1/\sqrt{n})$レートで崩壊する。 誤差予測に対するギャップの1次応答を示す閉形式局所感度は、群ごとに2つの個人にのみ依存し、解法に対して3つの有意な数字で検証され、決定変数の有界性から従う普遍的、誤差非依存天井は、経験的飽和レベルよりも一致しているが、より緩い。 アメリカ合衆国国勢調査局(US Census income)のデータでは、訓練された予測者の出力に人口格差を課すことで、真の収入の非拘束的な格差が元の3分の1にまで減少し、34.4%$\pm$3.3%(カリフォルニア)と35.7%$\pm$1.8%(テキサス)の差は、予測だけで持続可能で、予測から検出できない ― メカニズムだけでなく、異なる人口分布と所得分布を持つ2つの州でほぼ一定であり、それぞれ10の独立列車/試験区間で安定している。 決定時点で完全に満足しているように見える公正な制約は、それが保護することを意図した結果に対して、実質的で体系的な違反を隠蔽することができる。

関連論文リスト

• Learning to Fluctuate: Statistical Foundations for Causal Tabular Pretraining [8.401473551081748]
  本研究では,固定配置人口に必要となる繰り返しサンプル応答を符号化した揺らぎ制御事前訓練(FSP)を導入する。 FSPは、温かいワンスレッドベンチマークでテーブル毎の11.6Times$高速にデプロイします。 2つのランダム化されたスタディ評価は、低いRMSEが残留減衰と共存できることを示している。
  論文  参考訳（メタデータ） (2026-09-22T12:03:30Z)
• PICPIs: Prediction-Interval-Conditional Prediction Intervals [47.78682744724085]
  PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。 確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
  論文  参考訳（メタデータ） (2026-09-21T20:29:47Z)
• Decoupling Is Not Identification: Supervised Evidential Learning in Next-Token Prediction [7.5571037918649155]
  次の表現確率は、モデルが予測するものであり、その背後にどれだけのトレーニングサポートがあるかではない。 キャラクタレベルのモビーディックにおいて,このギャップを監査するための証拠次世代予測フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-14T01:28:35Z)
• Regression-Based Estimation of Causal Effects in the Presence of Selection Bias and Confounding [52.1068936424622]
  治療が介入によって設定された場合、対象変数$Y$に対して、予測因果効果$E[Y|do(X)]$を推定する問題を考える。 選択バイアスや欠点のない設定では、$E[Y|do(X)] = E[Y|X]$ となる。 選択バイアスとコンバウンディングの両方を組み込んだフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-03-26T13:43:37Z)
• Computational-Statistical Tradeoffs at the Next-Token Prediction Barrier: Autoregressive and Imitation Learning under Misspecification [50.717692060500696]
  対数損失を伴う次のトーケン予測は自己回帰シーケンスモデリングの基盤となる。 次トーケン予測は、適度な誤差増幅を表す$C=tilde O(H)$を達成するために堅牢にすることができる。 C=e(log H)1-Omega(1)$。
  論文  参考訳（メタデータ） (2025-02-18T02:52:00Z)
• Wasserstein-regularized Conformal Prediction under General Distribution Shift [21.29977879431466]
  等式予測は、i.d.仮定の下で真のターゲットの1-alpha$カバレッジが保証された予測セットを生成する。 本稿では、ワッサーシュタイン距離に基づくカバレッジギャップの上界を提案し、確率測度をプッシュフォワードで解析する。 本稿では,重要重み付けと正規化表現学習(WR-CP)に基づくアルゴリズム設計のための分離を利用して,有限サンプル誤差境界のワッサーシュタイン境界を低減する。
  論文  参考訳（メタデータ） (2025-01-23T07:29:44Z)
• Mind the Gap: A Causal Perspective on Bias Amplification in Prediction & Decision-Making [58.06306331390586]
  本稿では,閾値演算による予測値がS$変化の程度を測るマージン補数の概念を導入する。 適切な因果仮定の下では、予測スコア$S$に対する$X$の影響は、真の結果$Y$に対する$X$の影響に等しいことを示す。
  論文  参考訳（メタデータ） (2024-05-24T11:22:19Z)
• TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
  奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。 近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。 1)予測共分散は予測平均のランダム性を真に捉えているか? その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
  論文  参考訳（メタデータ） (2023-10-29T09:54:03Z)
• General Gaussian Noise Mechanisms and Their Optimality for Unbiased Mean Estimation [58.03500081540042]
  プライベート平均推定に対する古典的なアプローチは、真の平均を計算し、バイアスのないがおそらく相関のあるガウスノイズを加えることである。 すべての入力データセットに対して、集中的な差分プライバシーを満たす非バイアス平均推定器が、少なくとも多くのエラーをもたらすことを示す。
  論文  参考訳（メタデータ） (2023-01-31T18:47:42Z)

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。