Fugu-MT 論文翻訳(概要): Verifying Individual Fairness in Machine Learning Models

論文の概要: Verifying Individual Fairness in Machine Learning Models

arxiv url: http://arxiv.org/abs/2006.11737v1
Date: Sun, 21 Jun 2020 08:37:54 GMT
ステータス: 処理完了
システム内更新日: 2022-11-18 11:31:06.647883
Title: Verifying Individual Fairness in Machine Learning Models
Title（参考訳）: 機械学習モデルにおける個人公平性の検証
Authors: Philips George John, Deepak Vijaykeerthy, Diptikalyan Saha
Abstract要約: 我々は、構造化されたデータを扱う決定モデルが、個別の公平性を持つかどうかという問題を考察する。我々の目的は、与えられたモデルの個々人の公正性を証明するための検証器を構築することである。
参考スコア（独自算出の注目度）: 4.29921861868687
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We consider the problem of whether a given decision model, working with structured data, has individual fairness. Following the work of Dwork, a model is individually biased (or unfair) if there is a pair of valid inputs which are close to each other (according to an appropriate metric) but are treated differently by the model (different class label, or large difference in output), and it is unbiased (or fair) if no such pair exists. Our objective is to construct verifiers for proving individual fairness of a given model, and we do so by considering appropriate relaxations of the problem. We construct verifiers which are sound but not complete for linear classifiers, and kernelized polynomial/radial basis function classifiers. We also report the experimental results of evaluating our proposed algorithms on publicly available datasets.
Abstract（参考訳）: 我々は、構造化データを扱う決定モデルが個別の公平性を持つかどうかという問題を考える。 Dwork の作業の後、モデルが個別にバイアス(または不公平)されるのは、互いに近い(適切な計量による)が、モデル(異なるクラスラベル、あるいは出力の大きな差)によって異なる扱いを受ける2つの有効な入力が存在する場合であり、そのようなペアが存在しない場合はバイアス(または不公平)である。我々の目的は、与えられたモデルの個々人の公正性を証明するための検証器を構築することである。線形分類器は健全だが完備ではない検証器と,多項式・ラディアル基底関数分類器の核化を行う。また,提案アルゴリズムを公開データセット上で評価する実験結果について報告する。

関連論文リスト

Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文参考訳（メタデータ） (2023-06-19T18:25:44Z)
Sharing pattern submodels for prediction with missing values [12.981974894538668]
機械学習の多くのアプリケーションでは欠落値は避けられず、トレーニング中もテスト時にも課題が提示される。パターンサブモデル(パターンサブモデル)と呼ばれる別の手法を提案する。これは、テスト時に欠落した値に対して、予測を堅牢にし、パターンサブモデルの予測力を維持または改善させる。
論文参考訳（メタデータ） (2022-06-22T15:09:40Z)
Amortized Inference for Causal Structure Learning [72.84105256353801]
因果構造を学習することは、通常、スコアまたは独立テストを使用して構造を評価することを伴う探索問題を引き起こす。本研究では,観測・干渉データから因果構造を予測するため,変分推論モデルを訓練する。我々のモデルは、実質的な分布シフトの下で頑健な一般化能力を示す。
論文参考訳（メタデータ） (2022-05-25T17:37:08Z)
Certifying Robustness to Programmable Data Bias in Decision Trees [12.060443368097102]
学習者が生成したモデルは、潜在的なデータセットバイアスに対してポイントワイズで損なわれていることを証明します。このアプローチでは,さまざまな次元にまたがるバイアスモデルを指定することが可能です。フェアネス文献でよく用いられるデータセットに対する我々のアプローチを評価する。
論文参考訳（メタデータ） (2021-10-08T20:15:17Z)
A Generative Approach for Mitigating Structural Biases in Natural Language Inference [24.44419010439227]
本研究では、NLIタスクを生成タスクとして再構成し、モデルが入力とラベルのバイアス付きサブセットに条件付けされるようにする。このアプローチは大量のバイアスに対して非常に堅牢であることを示す。生成モデルは訓練が困難であり、識別ベースラインよりも一般的にはパフォーマンスが悪くなっている。
論文参考訳（メタデータ） (2021-08-31T17:59:45Z)
Evaluating Fairness of Machine Learning Models Under Uncertain and Incomplete Information [25.739240011015923]
属性分類器のテスト精度は下流モデルにおけるバイアス推定の有効性と常に相関しているとは限らない。我々の分析は,属性分類器の誤りを可能な限り不均一に分配したいという状況において,意外かつ直感的な意味を持っている。
論文参考訳（メタデータ） (2021-02-16T19:02:55Z)
Learning from others' mistakes: Avoiding dataset biases without modeling them [111.17078939377313]
最先端自然言語処理(NLP)モデルは、意図したタスクをターゲットとする機能ではなく、データセットのバイアスや表面形状の相関をモデル化することを学ぶことが多い。これまでの研究は、バイアスに関する知識が利用できる場合に、これらの問題を回避するための効果的な方法を示してきた。本稿では,これらの問題点を無視する学習モデルについて述べる。
論文参考訳（メタデータ） (2020-12-02T16:10:54Z)
Testing for Typicality with Respect to an Ensemble of Learned Distributions [5.850572971372637]
適合性のよい問題に対する一サンプルのアプローチは、オンラインテストに多大な計算上の利点をもたらす。この設定において異常データを正しく否定する能力は、ベース分布のモデルの精度に依存する。既成の正当性問題に対する既存の手法は、基底分布のモデルが学習されたという事実を考慮に入れない。本稿では,アンサンブルの任意の構成員に対して,データが異常であれば異常データとなることを考慮し,密度モデルのアンサンブルを訓練することを提案する。
論文参考訳（メタデータ） (2020-11-11T19:47:46Z)
Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文参考訳（メタデータ） (2020-10-05T22:13:21Z)
Good Classifiers are Abundant in the Interpolating Regime [64.72044662855612]
補間分類器間のテストエラーの完全な分布を正確に計算する手法を開発した。テストエラーは、最悪の補間モデルのテストエラーから大きく逸脱する、小さな典型的な$varepsilon*$に集中する傾向にある。以上の結果から,統計的学習理論における通常の解析手法は,実際に観測された優れた一般化性能を捉えるのに十分な粒度にはならない可能性が示唆された。
論文参考訳（メタデータ） (2020-06-22T21:12:31Z)
Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。