多重性の負荷を軽減する: 分類器の予測多重性を低減するキャリブレーションの役割

要旨: 機械学習モデルが高リスクの環境の中でますます活用される中、確率的信頼性と予測の安定性の両立を確保することが重要になっている。本論文は、分類のキャリブレーションと予測多重性の相互作用―Rashomon集合内の複数の近似最適モデルが同一の申請者について矛盾するクレジット結果を生み出す現象―を検討する。9つの多様なクレジットリスクのベンチマークデータセットを用いて、予測多重性が低信頼度領域に集中するかどうか、またポストホックキャリブレーションがアルゴリズム的恣意性を緩和できるかを調べた。経験的分析は、マイノリティクラスの観測値が過度な多重性の負担を負うことを、予測多重性と予測信頼度の有意な格差によって示している。さらに、Platt Scaling、Isotonic Regression、Temperature Scaling のようなポストホックキャリブレーション手法を適用することは、Rashomon集合全体での不透明さの低下と関連している。検証された手法のうち、Platt ScalingとIsotonic Regressionは最も堅牢に予測多重性を低減する。これらの知見は、キャリブレーションが合意形成を促す層として機能し、予測多重性を緩和することで手続き的公正を支援する可能性を示唆する。