論文の概要: Yielding Fairness: Coupled Learning and Fairness for Value-Weighted Ranking

• arxiv url: http://arxiv.org/abs/2611.01647v1
• Date: Sun, 01 Nov 2026 06:49:58 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:56:25.90426
• Title: Yielding Fairness: Coupled Learning and Fairness for Value-Weighted Ranking
• Title（参考訳）: 収量公正性: 価値重み付けのための結合学習と公正性
• Abstract要約: リスクスクリーニングとレコメンデーションシステムは、価値と損失の両方を生成するアカウントをパスまたはブロックする。 重み付きバイナリクロスエントロピー (W-BCE) は、1スコアの値/ロス順序を実装している。 我々は,無損傷のW-BCEと通常のBCEとの比較を行った。
• 参考スコア（独自算出の注目度）: 0.13999481573773068
• License:
• Abstract: Risk screening and recommendation systems pass or block accounts that generate both value and loss. Under a blocked-value budget, a cap on expected value forgone through blocking, the optimal ranking orders accounts by expected value per unit expected loss, a ratio of conditional expectations. This rule can conflict with accepted harm or net-harm criteria, blocking accounts that another criterion would pass at the same budget. We call these cases account-level objections and define group complaint disparity as the difference between groups' normalized realized objections. Weighted binary cross-entropy (W-BCE) implements the value-per-loss order with one score. Objection penalties modify the ranking, while group multipliers scale those penalties differently by group, tracing tradeoffs between loss capture and complaint disparity. This preserves the value-budgeted ranking structure and makes the cost of reducing contestable blocks explicit. Across public recommendation, insurance, credit, and mortgage datasets, we compare undamped W-BCE with ordinary BCE using yield Gini, an area summary of loss capture versus blocked value. Logarithmic weight damping is evaluated separately. Held-out evaluations measure capture-disparity tradeoffs. Validation-selected group-aware complaint penalties improve complaint closure in some cohorts. A corrected comparison normalizes and enlarges candidate policy banks using validation-only price sweeps and retains all ten applicable sources. The source-level results do not establish a statistically significant average advantage over group-blind pricing at the fixed minimum retained loss capture. We also compare with blocked-count, blocked-value, and protected-loss parity postprocessors, which do not directly constrain realized objections, and measure objections in candidate-count and loss units.
• Abstract（参考訳）: リスクスクリーニングとレコメンデーションシステムは、価値と損失の両方を生成するアカウントをパスまたはブロックする。 ブロック値予算では、ブロッキングによる期待値の上限、最適なランキングオーダは、単位期待損失当たりの期待値、条件付き期待値の比率によって説明される。 このルールは、承認された損害基準やネットハーム基準と矛盾し、別の基準が同じ予算で通過するアカウントをブロックする可能性がある。 本報告では,これらの事例をアカウンタレベルの異論と呼び,グループ間の不一致を正規化された実存的異論の相違として定義する。 重み付きバイナリクロスエントロピー (W-BCE) は、1スコアの値/ロス順序を実装している。 反対のペナルティはランクを変更し、グループ乗算器はグループごとにそれらのペナルティをスケールし、損失の捕捉と不一致の間のトレードオフをトレースする。 これにより、価値予算のランキング構造が保たれ、競合可能なブロックを明示的に削減するコストがかかる。 公的レコメンデーション、保険、信用、住宅ローンのデータセット全体において、損傷のないW-BCEと通常のBCEを比較した。 対数減衰は別々に評価される。 ハードアウト評価は捕獲格差のトレードオフを測定する。 検証選択された集団意識的不服申立は、一部のコホートにおける不服申立の閉鎖を改善させる。 修正された比較は、検証専用価格スイープを使用して候補政策銀行を正規化し、拡大し、適用可能な10のソースをすべて保持する。 ソースレベルの結果は、固定された最小損失キャプチャにおけるグループブラインド価格よりも統計的に有意な平均的な優位性を確立していない。 また, ブロック数, ブロック値, 保護損失パリティ・ポストプロセッサとの比較を行った。

関連論文リスト

• Conformance as a Distribution: Delegation Contracts, Error Budgets, and the Allocation of Evaluation Authority in Use-Based AI Regulation [0.0]
  ユースケースベースのAI規制は、デプロイメントのリスクによって義務を割り当てるが、それらを運ぶための明確な対象が欠如している。 我々は、宣言されたコンテキストの混合が真実にできるかどうかを問う。 また,評価トラフィックを検出するシステムに対して,監査を非バイアスで行うことができるかどうかを問う。
  論文  参考訳（メタデータ） (2026-10-23T00:08:49Z)
• Privacy Cost as Equity Input: A Group Fairness Criterion for Differentially Private Machine Learning [0.609170287691728]
  プライバシーのコストは、各グループによって引き起こされる情報漏洩であり、それ自体が害である、と我々は主張する。 我々は、グループごとのオーバーフィッティングギャップによって正規化されるグループの正の予測率として定義されるグループフェアネス計量を導出する。
  論文  参考訳（メタデータ） (2026-07-18T03:41:01Z)
• Disagreement-Regularized Importance Sampling for Adversarial Label Corruption [3.0416928830191066]
  Disagreement-Regularized Importance Smpling (DR-IS)は、独立したプロキシアンサンブル間での損失ランクの分類に基づくサブサンプリング手法である。 DR-ISは、ベンチマークデータセット上のError $L$-norm (EL2N)のようなマグニチュードベースのメソッドを壊すターゲットの高いノーム攻撃の下で堅牢である。
  論文  参考訳（メタデータ） (2026-05-08T10:27:51Z)
• Blockwise Advantage Estimation for Multi-Objective RL with Verifiable Rewards [39.489554597919145]
  グループ相対ポリシー最適化(GRPO)は、完了時にすべてのトークンに対して単一のスカラーの利点を割り当てる。 明確なセグメントと目的を持つ構造化世代では、このカップルはセグメント間で無関係な報酬信号を生成し、客観的な干渉と不正な信用につながる。 我々は、GRPO互換メソッドのファミリーであるBlockwise Advantage Estimationを提案し、それぞれの目的をそれぞれ独自の利点を割り当て、対応するテキストブロックのトークンにのみ適用する。
  論文  参考訳（メタデータ） (2026-02-10T19:22:37Z)
• Outcome-Grounded Advantage Reshaping for Fine-Grained Credit Assignment in Mathematical Reasoning [60.00161035836637]
  グループ相対政策最適化は、推論タスクのための有望な批判のない強化学習パラダイムとして登場した。 我々は,各トークンがモデルの最終回答にどの程度影響するかに基づいて,利益を再分配する,きめ細かい信用割当機構であるOutcome-grounded Advantage Reshaping (OAR)を紹介した。 OAR-Gは計算オーバーヘッドを無視して同等のゲインを達成し、どちらも強力なGRPOベースラインをはるかに上回っている。
  論文  参考訳（メタデータ） (2026-01-12T10:48:02Z)
• Optimistic Feasible Search for Closed-Loop Fair Threshold Decision-Making [0.0]
  バンディットフィードバックからの1次元しきい値ポリシーのオンライン学習について検討する。 我々は,報酬と制約残差に対する信頼境界を維持する単純なグリッドベース手法であるOptimistic Feasible Search (OFS)を提案する。
  論文  参考訳（メタデータ） (2025-12-26T10:44:40Z)
• TrustJudge: Inconsistencies of LLM-as-a-Judge and How to Alleviate Them [58.04324690859212]
  自動評価器(LLM-as-a-judge)としての大規模言語モデル(LLM)は、現在の評価フレームワークにおいて重大な矛盾を明らかにしている。 スコア比較不整合とペアワイズ・トランジティビティ不整合という2つの基本的不整合を同定する。 我々は2つの重要なイノベーションを通じてこれらの制限に対処する確率的フレームワークであるTrustJudgeを提案する。
  論文  参考訳（メタデータ） (2025-09-25T13:04:29Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Label Distributionally Robust Losses for Multi-class Classification: Consistency, Robustness and Adaptivity [55.29408396918968]
  多クラス分類のためのラベル分布ロバスト(LDR)損失という損失関数群について検討した。 我々の貢献は、多クラス分類のためのLDR損失のトップ$kの一貫性を確立することによって、一貫性と堅牢性の両方を含んでいる。 本稿では,各インスタンスのクラスラベルの雑音度に個別化温度パラメータを自動的に適応させる適応型LDR損失を提案する。
  論文  参考訳（メタデータ） (2021-12-30T00:27:30Z)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。