[論文レビュー] Towards a responsible machine learning approach to identify forced labor in fisheries

Rocío Joo, Gavin McDonald+5 more|arXiv (Cornell University)|Feb 3, 2023

Marine animal studies overview被引用数 5

ひとこと要約

本稿では、船舶の特徴および自動識別システム（AIS）の移動パターンを分析することで、漁業における強制労働を特定するための責任ある機械学習手法を提案する。モデルは、報告済みの強制労働事例において89%の再現率を達成し、良好な労働条件が認定された船舶について98%の特異度を示した。強制労働が使用される可能性がある船舶の割合は最大28%に達すると推定され、特にイカジャンパーおよび長時間漁業用の船団で顕著である。

ABSTRACT

Many fishing vessels use forced labor, but identifying vessels that engage in this practice is challenging because few are regularly inspected. We developed a positive-unlabeled learning algorithm using vessel characteristics and movement patterns to estimate an upper bound of the number of positive cases of forced labor, with the goal of helping make accurate, responsible, and fair decisions. 89% of the reported cases of forced labor were correctly classified as positive (recall) while 98% of the vessels certified as having decent working conditions were correctly classified as negative. The recall was high for vessels from different regions using different gears, except for trawlers. We found that as much as ~28% of vessels may operate using forced labor, with the fraction much higher in squid jiggers and longlines. This model could inform risk-based port inspections as part of a broader monitoring, control, and surveillance regime to reduce forced labor. * Translated versions of the English title and abstract are available in five languages in S1 Text: Spanish, French, Simplified Chinese, Traditional Chinese, and Indonesian.

研究の動機と目的

• 限定的な検査と信頼性の低い報告による、漁業における強制労働の同定における重要なギャップを埋める。
• 利用可能な船舶データを用いて、強制労働事例の上限を推定できる機械学習モデルを開発する。
• 負例の統合と多様な船舶タイプ（異なる国旗、漁具タイプを含む）の取り入れにより、モデルの公平性と信頼性を向上させる。
• データ駆動型のリスク優先順位付けを支援することで、港検査および監視・管理・監視（MCS）制度を強化する。
• 異なる船舶グループにおけるモデル性能の評価と分類結果のバイアス低減を図ることで、責任あるAI実践を確保する。

提案手法

• 完全にラベル付けされた負例に依存しないように、21件の確認済み陽性事例と66,336件のラベルなし船舶年単位のデータを用いて、陽性-未ラベル（PU）学習を採用する。
• 船舶の特徴（例：国旗、漁具タイプ、サイズ）と移動パターン（例：中継移動、港への寄港、海上滞在時間）を自動識別システム（AIS）データから抽出し、モデルの特徴として使用する。
• 監視学習フレームワークにPU学習アルゴリズムを適用し、行動的・構造的船舶特性に基づいて強制労働の発生確率を推定する。
• 負例の代理として、良好な労働条件が認定された既知の船舶を用いてモデル性能を検証し、高い特異度を確保する。
• 船舶の国旗および漁具タイプごとの公平性評価を実施し、再現率および適合率における格差を評価する。
• 新たな検査データおよび拡張された船舶カテゴリを用いて、反復的にモデルを更新・最適化し、汎用性の向上とバイアス低減を図る。

実験結果

リサーチクエスチョン

• RQ1 AISデータおよび船舶特徴を用いて、陽性-未ラベル機械学習モデルは、世界の漁業船団における強制労働の上限を効果的に推定できるか？
• RQ2 モデルのパフォーマンスは、異なる船舶の国旗および漁具タイプにおいて、特に再現率および公平性の観点でどのように変動するか？
• RQ3 確認済みの負例が存在しない状況でも、AISから得られる移動パターンおよび船舶特徴は、強制労働行動を予測できる程度に高い性能を示すか？
• RQ4 このようなモデルは、リスクベースの港検査および監視・管理・監視（MCS）システムの改善にどのように貢献できるか？
• RQ5 地域および漁具タイプごとのモデルパフォーマンスの格差は、公平な執行および政策実施にどのような意味を持つのか？

主な発見

• モデルは、既知の強制労働事例の同定において89%の再現率を達成し、報告済みの事例に対する強力な検出能力を示した。
• モデルは98%の特異度を示し、良好な労働条件が認定された98%の船舶を、強制労働事例でないものとして正しく分類した。
• 大多数の船舶タイプおよび地域において再現率は高く維持されたが、トロール船では顕著に低いパフォーマンスを示した。
• 推定では、漁業船の28%が強制労働を伴って運航している可能性があり、特にイカジャンパーおよび長時間漁業用の船団で著しく高い割合を示した。
• モデルのパフォーマンスは漁具タイプによって変動し、長時間漁業およびイカジャンパー船で高いリスクが検出された。これは、標的型の検査戦略が有効である可能性を示唆している。
• 公平性評価により、国籍および漁具タイプごとのモデルパフォーマンスの格差が明らかになった。これは、継続的なバイアス監視とモデルの最適化の必要性を強調している。