Fugu-MT 論文翻訳(概要): Review of Mathematical frameworks for Fairness in Machine Learning

論文の概要: Review of Mathematical frameworks for Fairness in Machine Learning

arxiv url: http://arxiv.org/abs/2005.13755v1
Date: Tue, 26 May 2020 11:40:13 GMT
ステータス: 処理完了
システム内更新日: 2022-11-28 23:38:16.002454
Title: Review of Mathematical frameworks for Fairness in Machine Learning
Title（参考訳）: 機械学習における公正性に関する数学的枠組みの見直し
Authors: Eustasio del Barrio, Paula Gordaliza, Jean-Michel Loubes
Abstract要約: 本稿では,過去数年間に文献で提案されてきたフェアネス定義とフェアラーニング方法論について概説する。公平なアルゴリズムを構築する方法や、不公平な場合と比較してパフォーマンスが低下する結果について検討する。
参考スコア（独自算出の注目度）: 6.273722322121772
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A review of the main fairness definitions and fair learning methodologies proposed in the literature over the last years is presented from a mathematical point of view. Following our independence-based approach, we consider how to build fair algorithms and the consequences on the degradation of their performance compared to the possibly unfair case. This corresponds to the price for fairness given by the criteria $\textit{statistical parity}$ or $\textit{equality of odds}$. Novel results giving the expressions of the optimal fair classifier and the optimal fair predictor (under a linear regression gaussian model) in the sense of $\textit{equality of odds}$ are presented.
Abstract（参考訳）: 過去数年間に文献で提唱された主なフェアネス定義とフェアラーニング方法論のレビューを数学的観点から提示した。独立性に基づくアプローチでは、公正なアルゴリズムの構築方法や、不公平な場合と比較してパフォーマンスが低下する結果について検討する。これは、基準 $\textit{statistical parity}$ または $\textit{equality of odds}$ によって与えられる公平性の価格に対応する。最適フェア分類器と最適フェア予測器(線形回帰ガウスモデル)の表現を$\textit{equality of odds}$という意味で与えた新しい結果を示す。

関連論文リスト

Alpha and Prejudice: Improving $α$-sized Worst-case Fairness via Intrinsic Reweighting [34.954141077528334]
既成人口集団との最悪のフェアネスは、最悪の集団のモデルユーティリティを最大化することで、同等性を達成する。近年の進歩は、最小分割比の低い境界を導入することで、この学習問題を再構築している。
論文参考訳（メタデータ） (2024-11-05T13:04:05Z)
Optimal Group Fair Classifiers from Linear Post-Processing [10.615965454674901]
本稿では,グループフェアネス基準の統一されたファミリーの下でモデルバイアスを緩和するフェア分類のためのポストプロセッシングアルゴリズムを提案する。与えられたベースモデルの出力スコアを、(予測された)グループのメンバシップの線形結合である「公正コスト」で再計算することで、公平性を達成する。
論文参考訳（メタデータ） (2024-05-07T05:58:44Z)
Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文参考訳（メタデータ） (2023-09-15T13:04:55Z)
FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
論文参考訳（メタデータ） (2023-06-15T19:51:28Z)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
Fair and Optimal Classification via Post-Processing [10.163721748735801]
本稿では、分類問題における人口統計学の特質的トレードオフの完全な評価について述べる。ランダム化および属性認識フェア分類器によって達成可能な最小誤差率は、ワッサーシュタイン・バリセンタ問題の最適値によって与えられることを示す。
論文参考訳（メタデータ） (2022-11-03T00:04:04Z)
Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
論文参考訳（メタデータ） (2022-03-16T15:00:33Z)
All of the Fairness for Edge Prediction with Optimal Transport [11.51786288978429]
グラフにおけるエッジ予測の課題に対する公平性の問題について検討する。本稿では,任意のグラフの隣接行列に対して,グループと個々の公正性のトレードオフを伴う埋め込み非依存の補修手順を提案する。
論文参考訳（メタデータ） (2020-10-30T15:33:13Z)
SenSeI: Sensitive Set Invariance for Enforcing Individual Fairness [50.916483212900275]
まず、ある感度集合の不変性を強制する個別の公正性のバージョンを定式化する。次に,輸送型正規化器を設計し,個別の公平性を強制し,効率よく正規化器を最小化するためのアルゴリズムを開発する。
論文参考訳（メタデータ） (2020-06-25T04:31:57Z)
Fair Regression with Wasserstein Barycenters [39.818025466204055]
本稿では, 実数値関数を学習し, 実数値関数の制約を満たす問題について検討する。予測された出力の分布は、センシティブな属性から独立することを要求する。フェア回帰と最適輸送理論の関連性を確立し、最適なフェア予測器に対するクローズドフォーム表現を導出する。
論文参考訳（メタデータ） (2020-06-12T16:10:41Z)
Fair Correlation Clustering [92.15492066925977]
相関クラスタリングの近似アルゴリズムは,いくつかの重要なフェアネス制約の下で得られる。相関クラスタリングに対する公平な解は、最先端の(不公平な)アルゴリズムと比較して、コストを抑えながら得られることを示す。
論文参考訳（メタデータ） (2020-02-06T14:28:21Z)

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。