論文の概要: Fairness-Aware Design for Contextual Experiments: Guaranteeing Reliability and Equity in Heterogeneous Subgroups
- arxiv url: http://arxiv.org/abs/2611.01867v1
- Date: Sun, 01 Nov 2026 12:57:51 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:57:23.076793
- Title: Fairness-Aware Design for Contextual Experiments: Guaranteeing Reliability and Equity in Heterogeneous Subgroups
- Title（参考訳）: 文脈実験のための公正な設計:不均一部分群における信頼性と等価性の確保
- Abstract要約: 本研究では,F-CTSD(Fairness-Aware Contextual Track-and-Stop Design)アルゴリズムを提案する。
提案したF-CTSDアルゴリズムは,必要なサンプルサイズを最小化しながら,フェアネスに関する統計的保証を提供する。
提案したF-CTSDアルゴリズムは既存の手法よりも優れており、サンプル効率が向上し、公平性違反を4.95%削減できることを示す。
- 参考スコア（独自算出の注目度）: 12.98845698538961
- License:
- Abstract: Experimental design is critical for evidence-based decision-making in healthcare, marketing, and public policy. However, designing efficient experiments across heterogeneous subgroups presents significant challenges. Existing methods often optimize for statistical power or overall sample efficiency, overlooking crucial fairness considerations across these different subgroups. To address this gap, we introduce a Fairness-Aware Contextual Track-and-Stop Design (F-CTSD) algorithm. The proposed F-CTSD algorithm provides statistical guarantees on subgroup fairness while minimizing required sample sizes. We quantify the fairness-efficiency trade-off and derive the exact sample complexity for the proposed F-CTSD algorithm under its fairness constraints. We further theoretically prove that the proposed F-CTSD algorithm consistently produces accurate treatment effect estimates even under fairness requirements, enhancing statistical reliability. Numerical experiments show that the proposed F-CTSD algorithm outperforms existing methods, achieving higher sample efficiency while reducing subgroup fairness violations by 4.95%.
- Abstract（参考訳）: 実験設計は、医療、マーケティング、および公共政策における証拠に基づく意思決定にとって重要である。
しかし、不均一部分群をまたいだ効率的な実験を設計することは大きな課題である。
既存の手法はしばしば統計力やサンプル全体の効率を最適化し、これらの異なる部分群にまたがる重要な公平性を考える。
このギャップに対処するため,F-CTSDアルゴリズムを提案する。
提案したF-CTSDアルゴリズムは,必要なサンプルサイズを最小化しながら,サブグループフェアネスの統計的保証を提供する。
フェアネス効率のトレードオフを定量化し、そのフェアネス制約の下で提案したF-CTSDアルゴリズムの正確なサンプル複雑性を導出する。
さらに,F-CTSDアルゴリズムは,公平性条件下であっても精度の高い処理効果推定を連続的に生成し,統計的信頼性を向上させることを理論的に証明した。
数値実験により,F-CTSDアルゴリズムは既存手法より優れ,サンプル効率が向上し,サブグループフェアネス違反を4.95%低減した。
関連論文リスト
- Distribution-Free Fair Federated Learning with Small Samples [54.63321245634712]
FedFaiREEは、分散化された環境で分散のないフェアラーニングのために小さなサンプルで開発された後処理アルゴリズムである。
公正性と精度の両面において厳密な理論的保証を提供し,実験結果により,提案手法の堅牢な実証検証を行う。
論文 参考訳（メタデータ） (2024-02-25T17:37:53Z) - FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。
グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
論文 参考訳（メタデータ） (2023-06-15T19:51:28Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳（メタデータ） (2023-03-06T17:19:23Z) - FaiREE: Fair Classification with Finite-Sample and Distribution-Free Guarantee [35.68504233140245]
FaiREE は群フェアネス制約を有限サンプルと分布自由な理論保証で満たす公平な分類アルゴリズムである。
FaiREEは最先端のアルゴリズムよりも優れた性能を示した。
論文 参考訳（メタデータ） (2022-11-28T05:16:20Z) - Testing Group Fairness via Optimal Transport Projections [12.972104025246091]
提案試験は, 摂動に偏りを示すか, データのランダム性に起因するかを評価するための, 柔軟な, 解釈可能な, 統計的に厳密なツールである。
グループフェアネスを定義する複数の影響基準から生じる可能性のある統計的課題は、グループフェア確率モデルの集合に経験的測度を投影することによって、都合よく取り組まれる。
提案フレームワークは,複数属性の合成固有フェアネス仮説およびフェアネスの試験にも使用することができる。
論文 参考訳（メタデータ） (2021-06-02T10:51:39Z) - Beyond Individual and Group Fairness [90.4666341812857]
本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。
我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
論文 参考訳（メタデータ） (2020-08-21T14:14:44Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。