論文の概要: Causal Humility: Governing the Authority of Fairness Claims Under Causal Uncertainty

• arxiv url: http://arxiv.org/abs/2610.25709v1
• Date: Mon, 19 Oct 2026 02:54:18 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:06:03.866774
• Title: Causal Humility: Governing the Authority of Fairness Claims Under Causal Uncertainty
• Title（参考訳）: 因果的謙虚性:因果的不確実性の下で公正行為の権限を委譲する
• Abstract要約: 我々は、不確実性と因果的権威の関係を管理するための枠組みとして、因果的謙虚さを導入する。 我々は、因果ベースを記録するための文書であるCausal Cardsを通じて、これらの要件を運用する。 同一観測データに異なる因果発見手順を適用することで、公平性関連経路の可視性、不在性、未解決性を示す。
• 参考スコア（独自算出の注目度）: 0.7335725010653381
• License:
• Abstract: AI systems increasingly shape consequential decisions in employment, lending, healthcare, and public services, making fairness an important problem for auditing and governance. Fairness assessment often requires more than identifying disparities in outcomes; it also requires understanding how those disparities arise. Causal approaches to algorithmic fairness address this explanatory problem by representing pathways through which protected attributes and other factors may influence outcomes. Yet causal reasoning in sociotechnical systems remains uncertain: relevant confounders may be unobserved, causal directions contested, and conclusions sensitive to modeling assumptions and representational choices. We introduce causal humility as a governance framework for managing the relationship between epistemic uncertainty and causal authority. Drawing on causal fairness research, epistemology, political philosophy, and science and technology studies, causal humility has four requirements: making consequential assumptions and omissions visible; preserving contestability across defensible causal accounts; recognizing indeterminacy as a legitimate analytical outcome; and maintaining proportionality between evidentiary support and institutional authority or action. We operationalize these requirements through Causal Cards, a documentation artifact for recording the causal basis, assumptions, omissions, model dependence, and governance implications of fairness claims. Using the UCI Adult dataset as a worked epistemic demonstration, we show how different causal discovery procedures applied to the same observational data render fairness-relevant pathways visible, absent, or unresolved. Causal humility treats such disagreement as information about the limits of what can responsibly be claimed and the authority those claims should carry.
• Abstract（参考訳）: AIシステムは、雇用、貸付、医療、および公共サービスにおける連続的な決定をますます形成し、公正性は監査とガバナンスにとって重要な問題となる。 公正評価は結果の相違を識別する以上のものを必要とし、またその相違がどのように生じるかを理解する必要がある。 アルゴリズムの公平性に対する因果的アプローチは、保護された属性やその他の要因が結果に影響を与える経路を表現することによって、この説明的問題に対処する。 しかし、社会技術システムにおける因果推論は依然として不確実であり、関係する共同創設者は観察されず、因果方向が争われ、仮説のモデル化や表現的選択に敏感な結論が導かれる。 我々は,因果的不確実性と因果的権威の関係を管理するためのガバナンスの枠組みとして,因果的謙虚さを導入する。 因果的公正の研究、認識論、政治哲学、科学および技術研究に基づいて、因果的謙虚性は、連続的な仮定と省略を可視化すること、防御可能な因果的説明にまたがる競合性を維持すること、不確定性を正当な分析結果として認識すること、明示的支援と制度的権威または行動の比例性を維持することの4つの要件を有する。 私たちはCausal Cardsを通じてこれらの要件を運用し、因果的根拠、仮定、省略、モデル依存、公正性主張のガバナンス的含意を記録できるドキュメント資料を作成します。 UCIアダルトデータセットを用いて、同じ観測データに適用された異なる因果発見手順が、フェアネス関連経路の可視性、欠如、未解決性をいかに示しているかを示す。 因果的謙虚性(Causal humility)は、責任ある主張の限界とそれらの主張が持つべき権限に関する情報として、そのような不一致を扱います。

関連論文リスト

• FairPFN: A Tabular Foundation Model for Causal Fairness [39.83807136585407]
  因果公正(Causal fairness)は、アルゴリズムの差別を緩和する透明性のある、ループ内の人間的フレームワークを提供する。 本研究では,合成因果フェアネスデータに基づいて事前学習したモデルであるFairPFNを提案し,その予測における保護属性の因果効果の同定と緩和を行う。
  論文  参考訳（メタデータ） (2025-06-08T09:15:45Z)
• Causal Responsibility Attribution for Human-AI Collaboration [62.474732677086855]
  本稿では,人間のAIシステムにおける責任を体系的に評価するために,構造因果モデル(SCM)を用いた因果的枠組みを提案する。 2つのケーススタディは、多様な人間とAIのコラボレーションシナリオにおけるフレームワークの適応性を示している。
  論文  参考訳（メタデータ） (2024-11-05T17:17:45Z)
• The Odyssey of Commonsense Causality: From Foundational Benchmarks to Cutting-Edge Reasoning [70.16523526957162]
  常識の因果関係を理解することは、人々が現実世界の原理をよりよく理解するのに役立ちます。 その重要性にもかかわらず、このトピックの体系的な探索は特に欠落している。 本研究の目的は、体系的な概要の提供、最近の進歩に関する学者の更新、初心者のための実践的なガイドを提供することである。
  論文  参考訳（メタデータ） (2024-06-27T16:30:50Z)
• 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)
• What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
  強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。 近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。 我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
  論文  参考訳（メタデータ） (2024-04-16T22:47:59Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Causal Discovery for Fairness [3.3861246056563616]
  因果的発見アプローチの違いが因果的モデルにどのように影響するか,因果的モデル間の微妙な差異が公平さ/差別的結論にどのように影響するかを示す。 本研究の主な目的は,因果関係を用いて公平に対処する因果発見ステップの重要性を明らかにすることである。
  論文  参考訳（メタデータ） (2022-06-14T08:40:40Z)
• Promises and Challenges of Causality for Ethical Machine Learning [2.1946447418179664]
  我々は「潜在的成果の枠組み」に基づく因果フェアネスの適切な適用条件を策定する。 我々は、因果的公平性文学においてしばしば無視される因果的推論の重要な側面を強調した。 このような介入の概念化は因果的仮定の妥当性を評価する上で重要であると我々は主張する。
  論文  参考訳（メタデータ） (2022-01-26T00:04:10Z)

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。