Connecting Algorithmic Fairness to Quality Dimensions in Machine Learning in Official Statistics and Survey Production

要約

国家統計機関 (NSO) は、製品の適時性と費用対効果を向上させるために、機械学習 (ML) をますます活用しています。
ML ソリューションを導入する場合、NSO は、堅牢性、再現性、精度に関する高い基準が、たとえば統計アルゴリズムの品質フレームワーク (QF4SA; Yung et al. 2022) などで成文化されたものとして維持されていることを確認する必要があります。
同時に、実際に異なる社会的影響を防ぐために、ML を安全に展開するための前提条件として公平性に焦点を当てた研究が増えています。
ただし、NSO での ML の適用という文脈では、公平性は品質の側面としてまだ明確に議論されていません。
私たちはYungらを雇用しています。
(2022) の QF4SA 品質フレームワークを使用し、その品質次元とアルゴリズムの公平性のマッピングを示します。
それにより、私たちは QF4SA フレームワークをいくつかの方法で拡張します。つまり、公平性を独自の品質次元として主張し、公平性と他の次元との相互作用を調査し、データ自体と適用される方法論との相互作用の両方について、データに明示的に対処します。
実証的な図解と並行して、私たちのマッピングが公式統計、アルゴリズムの公平性、信頼できる機械学習の領域の方法論にどのように貢献できるかを示します。

要約(オリジナル)

National Statistical Organizations (NSOs) increasingly draw on Machine Learning (ML) to improve the timeliness and cost-effectiveness of their products. When introducing ML solutions, NSOs must ensure that high standards with respect to robustness, reproducibility, and accuracy are upheld as codified, e.g., in the Quality Framework for Statistical Algorithms (QF4SA; Yung et al. 2022). At the same time, a growing body of research focuses on fairness as a pre-condition of a safe deployment of ML to prevent disparate social impacts in practice. However, fairness has not yet been explicitly discussed as a quality aspect in the context of the application of ML at NSOs. We employ Yung et al. (2022)’s QF4SA quality framework and present a mapping of its quality dimensions to algorithmic fairness. We thereby extend the QF4SA framework in several ways: we argue for fairness as its own quality dimension, we investigate the interaction of fairness with other dimensions, and we explicitly address data, both on its own and its interaction with applied methodology. In parallel with empirical illustrations, we show how our mapping can contribute to methodology in the domains of official statistics, algorithmic fairness, and trustworthy machine learning.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google