論文の概要: A Possibility in Algorithmic Fairness: Can Calibration and Equal Error Rates Be Reconciled?

• arxiv url: http://arxiv.org/abs/2002.07676v3
• Date: Mon, 7 Jun 2021 20:41:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-30 19:23:34.511450
• Title: A Possibility in Algorithmic Fairness: Can Calibration and Equal Error Rates Be Reconciled?
• Title（参考訳）: アルゴリズムフェアネスの可能性:キャリブレーションと等誤差率の再検討は可能か?
• Authors: Claire Lazar Reich and Suhas Vijaykumar
• Abstract要約: 意思決定者は、保釈、融資、医療介入を含むバイナリ治療へのアクセスを決定するために、アルゴリズムによるリスクスコアをますます頼りにしている。 校正と誤り率の平等という2つのフェアネスの基準を、これまで矛盾していたものと再検討する。 本稿では,キャリブレーションと最小誤差率の相違を考慮し,最も正確なスコアを求めるアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decision makers increasingly rely on algorithmic risk scores to determine access to binary treatments including bail, loans, and medical interventions. In these settings, we reconcile two fairness criteria that were previously shown to be in conflict: calibration and error rate equality. In particular, we derive necessary and sufficient conditions for the existence of calibrated scores that yield classifications achieving equal error rates at any given group-blind threshold. We then present an algorithm that searches for the most accurate score subject to both calibration and minimal error rate disparity. Applied to the COMPAS criminal risk assessment tool, we show that our method can eliminate error disparities while maintaining calibration. In a separate application to credit lending, we compare our procedure to the omission of sensitive features and show that it raises both profit and the probability that creditworthy individuals receive loans.
• Abstract（参考訳）: 意思決定者は、保釈、融資、医療介入を含むバイナリ治療へのアクセスを決定するために、アルゴリズムによるリスクスコアをますます頼りにしている。 これらの設定では、以前は矛盾していた2つのフェアネス基準(キャリブレーションとエラーレートの等式)を精査する。 特に,任意のグループブラインド閾値で等しい誤差率の分類を行う校正スコアの存在について,必要かつ十分な条件を導出する。 次に,キャリブレーションと最小誤差率の相違を考慮し,最も正確なスコアを求めるアルゴリズムを提案する。 CompAS 犯罪リスク評価ツールに適用することにより,校正を維持しながら誤りの相違を解消できることを示す。 信用貸付の別の応用として、当社の手続きを繊細な特徴の欠落と比較し、信用に値する個人が融資を受ける確率と利益を上げることを示す。

関連論文リスト

• A Self-boosted Framework for Calibrated Ranking [7.4291851609176645]
  キャリブレーションランキング(Calibrated Ranking)は、正確なランキング品質とキャリブレーションされた確率予測を同時に追求するスケールキャリブレーションランキングシステムである。 それまでの方法は、ランキングの損失を計算するために、単一のミニバッチ内に完全な候補リストを集約する必要があった。 校正ランク付けのための自己ブーストフレームワーク(SBCR)を提案する。
  論文  参考訳（メタデータ） (2024-06-12T09:00:49Z)
• Orthogonal Causal Calibration [55.28164682911196]
  我々は、任意の損失$ell$に対して、任意の因果パラメータのキャリブレーション誤差$theta$の一般的な上限を証明した。 我々は、因果校正のための2つのサンプル分割アルゴリズムの収束解析に境界を用いる。
  論文  参考訳（メタデータ） (2024-06-04T03:35:25Z)
• Towards Certification of Uncertainty Calibration under Adversarial Attacks [96.48317453951418]
  攻撃はキャリブレーションを著しく損なう可能性を示し, 対向的摂動下でのキャリブレーションにおける最悪のキャリブレーション境界として認定キャリブレーションを提案する。 我々は,新しいキャリブレーション攻撃を提案し,テクスタディバーショナルキャリブレーショントレーニングによりモデルキャリブレーションを改善する方法を示す。
  論文  参考訳（メタデータ） (2024-05-22T18:52:09Z)
• Consistent and Asymptotically Unbiased Estimation of Proper Calibration Errors [23.819464242327257]
  本稿では,全ての適切な校正誤差と精錬項を一貫した推定を可能にする手法を提案する。 ニューラルネットワークにおける情報単調性を意味するf-分節と精製の関係を実証する。 本実験は,提案した推定器のクレーム特性を検証し,特に関心のキャリブレーション誤差によって,ポストホックキャリブレーション法の選択が決定されるべきであることを示唆した。
  論文  参考訳（メタデータ） (2023-12-14T01:20:08Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Calibration by Distribution Matching: Trainable Kernel Calibration Metrics [56.629245030893685]
  カーネルベースのキャリブレーションメトリクスを導入し、分類と回帰の両方で一般的なキャリブレーションの形式を統一・一般化する。 これらの指標は、異なるサンプル推定を許容しており、キャリブレーションの目的を経験的リスク最小化に組み込むのが容易である。 決定タスクにキャリブレーションメトリクスを調整し、正確な損失推定を行ない、後悔しない決定を行うための直感的なメカニズムを提供する。
  論文  参考訳（メタデータ） (2023-10-31T06:19:40Z)
• Beyond calibration: estimating the grouping loss of modern neural networks [68.8204255655161]
  適切なスコアリングルール理論は、キャリブレーション損失が与えられた場合、個々のエラーを特徴づける欠片がグループ化損失であることを示している。 視覚およびNLPにおける現代のニューラルネットワークアーキテクチャは、特に分散シフト設定においてグループ化損失を示す。
  論文  参考訳（メタデータ） (2022-10-28T07:04:20Z)
• Calibration of Neural Networks using Splines [51.42640515410253]
  キャリブレーション誤差の測定は、2つの経験的分布を比較します。 古典的コルモゴロフ・スミルノフ統計テスト(KS)にインスパイアされたビンニングフリーキャリブレーション尺度を導入する。 提案手法は,KS誤差に対する既存の手法と,他の一般的なキャリブレーション手法とを一貫して比較する。
  論文  参考訳（メタデータ） (2020-06-23T07:18:05Z)

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。