論文の概要: Algorithmic Monoculture in Machine Learning-based Site-Specific Fertilizer Recommendation

• arxiv url: http://arxiv.org/abs/2610.36941v1
• Date: Tue, 27 Oct 2026 10:01:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-28 21:04:31.560909
• Title: Algorithmic Monoculture in Machine Learning-based Site-Specific Fertilizer Recommendation
• Title（参考訳）: 機械学習に基づくサイト特異的肥料レコメンデーションにおけるアルゴリズム的モノカルチャー
• Abstract要約: Herfindahl-Hirschman Indexは、一般的なモデルエラーが独立で予測リスクが等しい場合の濃度効果を特徴付ける。 モロッコの5つのシリアルシステムの9つのモデルファミリーは、ベンチマークベースのキャリブレーションを提供する。 均一な割り当ては、この設定におけるモデル化された損失を減らすが、すべての作物における後悔の上限を破る。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning recommendations are often evaluated one model at a time, despite deployment across interconnected decision makers. For continuous NPK fertilizer prescriptions, correlated errors can aggregate across farms and generate systemic costs. A model of shared and farm-specific recommendation errors links expected social loss to model adoption shares; the Herfindahl-Hirschman Index characterizes concentration effects when common model errors are independent and predictive risks are equal. A covariance-generalized formulation captures the dependence between model families. A two-model threshold characterizes when privately optimal monoculture is socially dominated, and a convex portfolio rule limits average private predictive regret. Nine model families across five Moroccan cereal systems provide a benchmark-based calibration. Under illustrative parameters and a 10% regret cap, accuracy-constrained diversification lowers modeled social loss in all five systems by 10.89-41.53% (mean 19.41%). Uniform allocation reduces modeled loss in this setting, but breaches the regret cap in every crop. Correlation sensitivity shows that highly dependent model errors attenuate the benefits of diversification. These counterfactual outcomes are not estimates of agronomic or monetary welfare; the framework identifies adoption architecture and error dependence as ecosystem-level evaluation variables.
• Abstract（参考訳）: 相互接続された意思決定者間のデプロイメントにもかかわらず、マシンラーニングの推奨は1つのモデルで評価されることが多い。 NPK肥料の連続処方薬では、相関エラーが農場全体に蓄積され、システム的コストが発生する。 ハーフィンダール・ヒルシュマン指数(Herfindahl-Hirschman Index)は、一般的なモデルエラーが独立して予測リスクが等しいときに、集中効果を特徴付ける。 共分散一般化定式化はモデル族間の依存を捉える。 2モデル閾値は、社会的に最適なモノカルチャーが支配されるときに特徴づけられ、凸ポートフォリオルールは平均的な個人の予測的後悔を制限する。 5つのモロッコの穀物システムの9つのモデルファミリーは、ベンチマークベースのキャリブレーションを提供する。 説明的パラメータと10%の後悔の上限の下で、精度に制約のある多様化は、全5つのシステムにおける社会的損失を10.89-41.53%(平均19.41%)下げる。 均一な割り当ては、この設定におけるモデル化された損失を減らすが、すべての作物における後悔の上限を破る。 相関感度は、高依存性のモデル誤差が多様化の利点を弱めることを示している。 このフレームワークは、導入アーキテクチャとエラー依存をエコシステムレベルの評価変数として識別する。

関連論文リスト

• A Rank Graduation metric for Algorithmic fairness [4.318555434063274]
  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。
  論文  参考訳（メタデータ） (2026-09-30T05:30:40Z)
• Calibration-Aware Uncertainty Cascades for Efficient Heterogeneous Model Collaboration [18.045450334322545]
  不均一なモデルコラボレーションは、予測性能と推論コストのバランスをとるために、異なるモデルの相補的な強みを活用することを目指している。 既存のアプローチでは、ルーティング決定を固定されたタスクとモデルプールに結びつける訓練されたルータや、しきい値が不均一なモデル間で一貫性のあるセマンティクスを欠いている生の自信のカスケードに頼っているのが一般的である。 本稿では,各モデルの信頼性を独立に校正し,検証データを用いてデプロイメントポリシを選択する,シンプルなポストホックフレームワークであるCAUCを提案する。
  論文  参考訳（メタデータ） (2026-09-10T12:14:54Z)
• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Joint Model and Data Sparsification via the Marginal Likelihood [53.29070892356214]
  本稿では,個々の特徴とサンプルの相違点を同時学習し,同時にモデルとデータスペーシングを実現することを提案する。 このモデルとデータの対称的なプルーニングは、共役を保存する自然な拡張を提供する。 多様な回帰タスクにわたる経験的結果は、共同ARDアプローチがスパースモデルとロバスト予測モデルの両方を一貫して生成することを確認した。
  論文  参考訳（メタデータ） (2026-05-28T13:26:53Z)
• How Independent are Large Language Models? A Statistical Framework for Auditing Behavioral Entanglement and Reweighting Verifier Ensembles [46.63622714488747]
  共有事前学習データ、蒸留、アライメントパイプラインは、隠れた振る舞い依存、潜伏絡みを誘導することができる。 実際には、これは相関した推論パターンと同期された障害として現れます。 ブラックボックス言語モデル間の行動絡みを監査するための統計的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-04-08T23:32:06Z)
• The Statistical Fairness-Accuracy Frontier [50.323024516295725]
  機械学習モデルは正確性と公平さのバランスをとる必要があるが、これらの目標はしばしば矛盾する。 このトレードオフを理解するための有用なツールとしてフェアネス・精度フロンティアがあり、フェアネスと精度の両方で同時に改善できないモデルの集合を特徴付ける。 本研究では, 有限サンプル体制におけるFAフロンティアについて検討し, 人口の減少と, 最悪のケースギャップの定量化について検討した。
  論文  参考訳（メタデータ） (2025-08-25T03:01:35Z)
• Beyond RMSE and MAE: Introducing EAUC to unmask hidden bias and unfairness in dyadic regression models [5.336076422485076]
  非均一な観測値分布が、最先端のモデルに深刻なバイアスをもたらすことを示す。 我々は、すべての研究領域とモデルでそれを定量化できる新しい指標として、Eccentricity-Area Under the Curve (EAUC)を紹介した。
  論文  参考訳（メタデータ） (2024-01-19T13:41:08Z)
• Ecosystem-level Analysis of Deployed Machine Learning Reveals Homogeneous Outcomes [72.13373216644021]
  本研究では,機械学習の社会的影響を,特定の文脈に展開されるモデルの集合を考慮し検討する。 デプロイされた機械学習はシステム障害を起こしやすいため、利用可能なすべてのモデルに排他的に誤分類されているユーザもいます。 これらの例は、エコシステムレベルの分析が、機械学習の社会的影響を特徴づける独自の強みを持っていることを示している。
  論文  参考訳（メタデータ） (2023-07-12T01:11:52Z)
• Fair admission risk prediction with proportional multicalibration [0.16249424686052708]
  マルチキャリブレーション制約は、柔軟に定義されたサブポピュレーション間のキャリブレーション誤差を補正する。 意思決定者は特定のグループに対するモデル予測を信頼するか、不信にするかを学ぶことができる。 本稿では,グループ間および予測ビン内における正の校正誤差を制限する基準である比例多重校正を提案する。
  論文  参考訳（メタデータ） (2022-09-29T08:15:29Z)

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。