Fugu-MT 論文翻訳(概要): Projection to Fairness in Statistical Learning

論文の概要: Projection to Fairness in Statistical Learning

arxiv url: http://arxiv.org/abs/2005.11720v4
Date: Thu, 25 Jun 2020 17:02:18 GMT
ステータス: 処理完了
システム内更新日: 2022-11-29 13:33:50.537823
Title: Projection to Fairness in Statistical Learning
Title（参考訳）: 統計的学習における公平性への投影
Authors: Thibaut Le Gouic and Jean-Michel Loubes and Philippe Rigollet
Abstract要約: 我々は、予測精度を反映した意味で、フェアネスへの予測を最も近いフェア推定器として定義する。提案手法は,予測精度の観点から,フェアネスのコストを正確に定量化する。
参考スコア（独自算出の注目度）: 14.044973568393841
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In the context of regression, we consider the fundamental question of making an estimator fair while preserving its prediction accuracy as much as possible. To that end, we define its projection to fairness as its closest fair estimator in a sense that reflects prediction accuracy. Our methodology leverages tools from optimal transport to construct efficiently the projection to fairness of any given estimator as a simple post-processing step. Moreover, our approach precisely quantifies the cost of fairness, measured in terms of prediction accuracy.
Abstract（参考訳）: 回帰の文脈では、予測精度を可能な限り保ちながら、推定器を公平にすることの根本的な問題を考える。その目的のために、予測精度を反映する意味で、フェアネスへの投影を最も近い公平な推定者として定義する。提案手法は,任意の推定器のフェアネスを簡易な後処理ステップとして効率的に構築するために最適なトランスポートからツールを活用する。さらに,予測精度の観点から測定した公平性コストを精度良く定量化する。

関連論文リスト

Targeted Learning for Data Fairness [52.59573714151884]
データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
論文参考訳（メタデータ） (2025-02-06T18:51:28Z)
Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
論文参考訳（メタデータ） (2024-10-03T15:56:03Z)
A Framework for Efficient Model Evaluation through Stratification, Sampling, and Estimation [17.351089059392674]
本稿では,階層化,サンプリング,推定を含むモデル評価のためのフレームワークを提案する。モデル性能の正確な予測に基づいて,k平均クラスタリングによる成層化を行うことで,効率的に推定できることを示す。また、データセットのラベル付けされていない部分におけるモデル精度の予測を利用するモデル支援推定器は、一般的に従来の推定値よりも効率的であることがわかった。
論文参考訳（メタデータ） (2024-06-11T14:49:04Z)
Introducing an Improved Information-Theoretic Measure of Predictive Uncertainty [6.3398383724486544]
予測の不確実性は、ベイズ平均(BMA)予測分布のエントロピーによってよく測定される。これらの制限を克服するために理論的に根ざした尺度を導入する。提案手法は, 制御された合成タスクにおいて, より合理的に振る舞う。
論文参考訳（メタデータ） (2023-11-14T16:55:12Z)
Probabilistic load forecasting with Reservoir Computing [10.214379018902914]
本研究は,コア時系列予測手法としての貯水池計算に焦点を当てた。 RC文献は主に点予測に重点を置いているが、この研究は一般的な不確実性定量法と貯水池の設定との整合性を探究するものである。
論文参考訳（メタデータ） (2023-08-24T15:07:08Z)
Uncertainty estimation of pedestrian future trajectory using Bayesian approximation [137.00426219455116]
動的トラフィックシナリオでは、決定論的予測に基づく計画は信頼できない。著者らは、決定論的アプローチが捉えられない近似を用いて予測中の不確実性を定量化する。将来の状態の不確実性に対する降雨重量と長期予測の影響について検討した。
論文参考訳（メタデータ） (2022-05-04T04:23:38Z)
Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
論文参考訳（メタデータ） (2022-01-11T23:01:12Z)
The Sharpe predictor for fairness in machine learning [0.0]
機械学習の応用においては、不公平な予測が少数派に対して差別されることがある。フェア機械学習(FML)の既存のアプローチは、MLモデルの最適化において、フェアネスを制約またはペナル化用語として扱う。本稿では,Multi-Objective Optimization(SMOO)に基づくFMLの新しいパラダイムを提案する。 FMLのシャープ予測器は、予測リスク(不公平)の単位当たりの最も高い予測リターン(精度)を提供する。
論文参考訳（メタデータ） (2021-08-13T22:22:34Z)
Right Decisions from Wrong Predictions: A Mechanism Design Alternative to Individual Calibration [107.15813002403905]
意思決定者は、しばしば不完全な確率予測に頼る必要がある。本稿では,予測ユーティリティが実際に取得したユーティリティと一致することを保証する補償機構を提案する。本研究では、乗客が飛行遅延確率に基づいて、個々の旅行計画をどのように確実に最適化できるかを示すアプリケーションを示す。
論文参考訳（メタデータ） (2020-11-15T08:22:39Z)
Robust Validation: Confident Predictions Even When Distributions Shift [19.327409270934474]
本稿では,モデルが点予測ではなく,その予測に対して不確実な推定を行うような,頑健な予測推論の手順について述べる。本稿では, トレーニング集団の周囲に$f$-divergence のボールを用いて, 任意のテスト分布に対して適切なカバレッジレベルを与える予測セットを生成する手法を提案する。私たちの方法論の重要な構成要素は、将来のデータシフトの量を見積り、それに対する堅牢性を構築することです。
論文参考訳（メタデータ） (2020-08-10T17:09:16Z)
Counterfactual Predictions under Runtime Confounding [74.90756694584839]
本研究は, 過去のデータからすべての関連要因を抽出した環境で, 事実予測タスクについて検討する。本稿では,この環境下での対実予測モデル学習のための2次ロバスト手法を提案する。
論文参考訳（メタデータ） (2020-06-30T15:49:05Z)

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。