論文の概要: Characterizing Predictive Multiplicity in Ranking and Its Fairness Implications
- arxiv url: http://arxiv.org/abs/2611.15705v1
- Date: Wed, 11 Nov 2026 16:45:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.198
- Title: Characterizing Predictive Multiplicity in Ranking and Its Fairness Implications
- Title(参考訳): ランク付けにおける予測的多重度の特徴とその公平性
- Abstract要約: 本稿では,スコアベースランキング問題における予測多重度現象について検討する。
モデル乗法が不公平の原因となる可能性について検討する。
我々は、この決定空間の探索が、差別的ランキングを減らすための原則的な道のりをいかに示しているかを示す。
- 参考スコア(独自算出の注目度): 0.3222802562733787
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Prediction problems often admit competing models that achieve comparable performance yet produce conflicting outputs, a phenomenon known as predictive multiplicity. While this challenge has been extensively studied in classification tasks, its implications remain largely unexplored in ranking frameworks, which are critical for high-stakes societal decisions such as the allocation of welfare resources and social assistance. This paper investigates the phenomenon of predictive multiplicity in score-based ranking problems. We introduce formal definitions to capture multiplicity in ranking settings, supported by foundational theoretical guarantees. Furthermore, we examine the dual relationship between predictive multiplicity and algorithmic fairness in ranking problems: we analyze how model multiplicity can act as a potential source of unfairness, while demonstrating how exploring this decision space provides a principled avenue for discovering less discriminatory rankings. Finally, we complement our theoretical contributions with insightful empirical evaluations on both synthetic and real-world datasets, validating our analytical findings and illustrating their practical implications. Taken together, this work highlights the real-world relevance of predictive multiplicity in ranking and sheds light on the potential of leveraging this effect to achieve fairer outcomes.
- Abstract(参考訳): 予測問題は、比較性能を達成するが、矛盾する出力を生成する競合モデル(予測多重性(英語版)として知られる現象)をしばしば認める。
この課題は、分類作業において広く研究されてきたが、その意味は、福祉資源の配分や社会援助といった高い社会的決定に欠かせないランク付けフレームワークにおいて、ほとんど解明されていない。
本稿では,スコアベースランキング問題における予測多重度現象について検討する。
基礎理論的保証によって支持されるランキング設定における多重度を捉えるための形式的定義を導入する。
さらに,予測的乗法とアルゴリズム的フェアネスの相関関係について検討し,モデル乗法が不公平の原因となる可能性について分析するとともに,この決定空間を探索することで,差別的ランキングの少ない解法がもたらされることを示す。
最後に、我々の理論的貢献を、合成データセットと実世界のデータセットの両方に関する洞察に富んだ経験的評価で補完し、分析結果の妥当性を検証し、その実践的意義を解説する。
まとめると、この研究はランキングにおける予測多重性の現実的妥当性を強調し、より公平な結果を達成するためにこの効果を活用する可能性に光を当てている。
関連論文リスト
- Is Softmax Loss All You Need? A Principled Analysis of Softmax-family Loss [91.61796429377041]
ソフトマックスの損失は、分類とランキングのタスクにおいて最も広く使用されるサロゲートの目標の1つである。
本研究では,異なるサロゲートが分類とランキングの指標との整合性を達成するかどうかを考察し,それらの勾配ダイナミクスを分析して,異なる収束挙動を明らかにする。
本研究は,大規模機械学習アプリケーションにおける損失選択の実践的ガイダンスとして,原則的基礎を確立した。
論文 参考訳(メタデータ) (2026-01-30T09:24:52Z) - Interventional Imbalanced Multi-Modal Representation Learning via $β$-Generalization Front-Door Criterion [39.74321807405112]
マルチモーダル法はユニモーダル法よりも包括的な優越性を確立する。
タスク依存予測に対する異なるモダリティの不均衡な寄与は、正準多モード法の識別性能を常に低下させる。
ベンチマークメソッドは、トレーニング中にわずかな貢献で補助的なモダリティを増大させるという、トラクタブルなソリューションを提起する。
論文 参考訳(メタデータ) (2024-06-17T12:55:56Z) - Reconciling Heterogeneous Effects in Causal Inference [44.99833362998488]
本稿では、機械学習におけるモデル乗法にReconcileアルゴリズムを適用し、因果推論における異種効果を再現する。
本研究の結果は,医療,保険,住宅などの高額な事業において,公正な成果の確保に有意な意味を持っている。
論文 参考訳(メタデータ) (2024-06-05T18:43:46Z) - Deriving Causal Order from Single-Variable Interventions: Guarantees & Algorithm [14.980926991441345]
介入データを含むデータセットは,データ分布に関する現実的な仮定の下で効果的に抽出可能であることを示す。
本稿では,観察的および介入的設定における各変数の限界分布の比較に依拠する,介入忠実性の新たな変種を紹介する。
また、多数の単一変数の介入を含むデータセットから因果順序を推測するアルゴリズムであるIntersortを導入する。
論文 参考訳(メタデータ) (2024-05-28T16:07:17Z) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。
統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
論文 参考訳(メタデータ) (2023-06-08T09:23:22Z) - Synergies between Disentanglement and Sparsity: Generalization and
Identifiability in Multi-Task Learning [79.83792914684985]
我々は,最大スパース基底予測器が不整合表現をもたらす条件を提供する新しい識別可能性の結果を証明した。
この理論的な結果から,両レベル最適化問題に基づくアンタングル表現学習の実践的アプローチを提案する。
論文 参考訳(メタデータ) (2022-11-26T21:02:09Z)
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。