論文の概要: Analysis of Trade-offs in Fair Principal Component Analysis Based on Multi-objective Optimization

• arxiv url: http://arxiv.org/abs/2006.06137v3
• Date: Mon, 3 Oct 2022 12:15:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-22 09:44:56.914783
• Title: Analysis of Trade-offs in Fair Principal Component Analysis Based on Multi-objective Optimization
• Title（参考訳）: 多目的最適化に基づく公正成分分析におけるトレードオフの解析
• Authors: Guilherme D. Pelegrina, Renan D. B. Brotto, Leonardo T. Duarte, Romis Attux, Jo\~ao M. T. Romano
• Abstract要約: 次元減少問題では、異なる群の表現誤差の間に相違が生じうる。 我々は、異なる群の表現誤りの相違に関連する公平度尺度を採用する。 数値実験により、全体の復元誤差が極めて小さく、より公平な結果が得られることが証明された。
• 参考スコア（独自算出の注目度）: 1.5749416770494704
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In dimensionality reduction problems, the adopted technique may produce disparities between the representation errors of different groups. For instance, in the projected space, a specific class can be better represented in comparison with another one. In some situations, this unfair result may introduce ethical concerns. Aiming at overcoming this inconvenience, a fairness measure can be considered when performing dimensionality reduction through Principal Component Analysis. However, a solution that increases fairness tends to increase the overall re-construction error. In this context, this paper proposes to address this trade-off by means of a multi-objective-based approach. For this purpose, we adopt a fairness measure associated with the disparity between the representation errors of different groups. Moreover, we investigate if the solution of a classical Principal Component Analysis can be used to find a fair projection. Numerical experiments attest that a fairer result can be achieved with a very small loss in the overall reconstruction error.
• Abstract（参考訳）: 次元還元問題において、この手法は異なる群の表現誤差の差を生じることがある。 例えば、射影空間において、ある特定のクラスは他のクラスと比較してより良く表現できる。 場合によっては、この不公平な結果が倫理的な懸念をもたらすこともある。 この不便さを克服するために、主成分分析による次元削減を行う際に、公正度尺度を考えることができる。 しかし、公平性を高めるソリューションは、全体の再構築エラーを増加させる傾向がある。 本稿では,マルチ目的ベースアプローチを用いて,このトレードオフに対処することを提案する。 この目的のために,異なる群の表象誤差の差に関連する公平性尺度を適用する。 さらに、古典的主成分分析の解が公正な射影を見つけるために利用できるかどうかを検討する。 数値実験により、全体の復元誤差が極めて小さく、より公平な結果が得られることが示された。

関連論文リスト

• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• A Unified Generalization Analysis of Re-Weighting and Logit-Adjustment for Imbalanced Learning [129.63326990812234]
  そこで本研究では,データ依存型コンダクタンス(Data-dependent contraction)と呼ばれる手法を提案する。 この技術に加えて、不均衡学習のための微粒な一般化境界が確立され、再重み付けとロジット調整の謎を明らかにするのに役立つ。
  論文  参考訳（メタデータ） (2023-10-07T09:15:08Z)
• Fair Without Leveling Down: A New Intersectional Fairness Definition [1.0958014189747356]
  本稿では,感性グループ間での絶対値と相対値のパフォーマンスを組み合わせた$alpha$-Intersectional Fairnessという新たな定義を提案する。 我々は、新しいフェアネス定義を用いて、複数の一般的なプロセス内機械学習アプローチをベンチマークし、単純なベースラインよりも改善が得られないことを示します。
  論文  参考訳（メタデータ） (2023-05-21T16:15:12Z)
• Fair learning with Wasserstein barycenters for non-decomposable performance measures [8.508198765617198]
  本研究は,人口順の制約下での精度の最大化が,対応する回帰問題の解法と等価であることを示す。 この結果を線形屈折法分類尺度(例えば$rm F$-score、AM測度、平衡精度など)に拡張する。
  論文  参考訳（メタデータ） (2022-09-01T13:06:43Z)
• A novel approach for Fair Principal Component Analysis based on eigendecomposition [10.203602318836444]
  1次元探索からなる簡単な戦略を用いて,公平性問題に対処する新しいPCAアルゴリズムを提案する。 私たちの発見は、いくつかの現実の状況と、バランスの取れていないデータセットとバランスの取れていないデータセットの両方のシナリオで一致しています。
  論文  参考訳（メタデータ） (2022-08-24T08:20:16Z)
• Equivariance Allows Handling Multiple Nuisance Variables When Analyzing Pooled Neuroimaging Datasets [53.34152466646884]
  本稿では,構造空間上でインスタンス化された同変表現学習における最近の結果と,因果推論における古典的結果の簡易な利用が,いかに効果的に実現されたかを示す。 いくつかの仮定の下で、我々のモデルが複数のニュアンス変数を扱えることを実証し、そうでなければサンプルの大部分を取り除く必要のあるシナリオにおいて、プールされた科学データセットの分析を可能にする。
  論文  参考訳（メタデータ） (2022-03-29T04:54:06Z)
• Distributionally Robust Fair Principal Components via Geodesic Descents [16.440434996206623]
  大学入学、医療、信用承認などのその後の領域では、学習予測の公正性や堅牢性といった新たな基準を考慮に入れることが不可欠である。 本稿では,主成分分析のための分布的ロバストな最適化問題を提案する。 実世界のデータセットに対する実験結果から,提案手法が最先端のベースラインに対して有益であることを示す。
  論文  参考訳（メタデータ） (2022-02-07T11:08:13Z)
• Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
  多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。 ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。 分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
  論文  参考訳（メタデータ） (2020-12-19T15:24:04Z)
• An Investigation of Why Overparameterization Exacerbates Spurious Correlations [98.3066727301239]
  この動作を駆動するトレーニングデータの2つの重要な特性を特定します。 モデルの"記憶"に対する帰納的バイアスが,パラメータ化の超過を損なう可能性を示す。
  論文  参考訳（メタデータ） (2020-05-09T01:59:13Z)
• When Relation Networks meet GANs: Relation GANs with Triplet Loss [110.7572918636599]
  GAN(Generative Adversarial Network)の学習安定性はいまだに悩みの種である 本稿では,判別器のための関係ネットワークアーキテクチャについて検討し,より優れた一般化と安定性を実現する三重項損失を設計する。 ベンチマークデータセットの実験により、提案された関係判別器と新たな損失は、可変視覚タスクに大幅な改善をもたらすことが示された。
  論文  参考訳（メタデータ） (2020-02-24T11:35:28Z)

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。