論文の概要: Null-sampling for Interpretable and Fair Representations

• arxiv url: http://arxiv.org/abs/2008.05248v1
• Date: Wed, 12 Aug 2020 11:49:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 04:46:27.884666
• Title: Null-sampling for Interpretable and Fair Representations
• Title（参考訳）: 解釈・公正表現のためのNull-sampling
• Authors: Thomas Kehrenberg, Myles Bartlett, Oliver Thomas, Novi Quadrianto
• Abstract要約: データ領域における不変表現を学習し、アルゴリズム的公正性における解釈可能性を実現する。 データドメインに表現を配置することで、モデルによってなされた変更は、人間の監査官によって容易に検査可能である。
• 参考スコア（独自算出の注目度）: 8.654168514863649
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose to learn invariant representations, in the data domain, to achieve interpretability in algorithmic fairness. Invariance implies a selectivity for high level, relevant correlations w.r.t. class label annotations, and a robustness to irrelevant correlations with protected characteristics such as race or gender. We introduce a non-trivial setup in which the training set exhibits a strong bias such that class label annotations are irrelevant and spurious correlations cannot be distinguished. To address this problem, we introduce an adversarially trained model with a null-sampling procedure to produce invariant representations in the data domain. To enable disentanglement, a partially-labelled representative set is used. By placing the representations into the data domain, the changes made by the model are easily examinable by human auditors. We show the effectiveness of our method on both image and tabular datasets: Coloured MNIST, the CelebA and the Adult dataset.
• Abstract（参考訳）: 本稿では,データ領域における不変表現を学習し,アルゴリズム的公正性において解釈可能性を実現することを提案する。 不変性は、高いレベルの選択性、w.r.t.クラスラベルアノテーションの関連相関、人種や性別などの保護された特性と無関係な相関に対する堅牢性を意味する。 本稿では,クラスラベルアノテーションが無関係であり,スプリアス相関が区別できないような,トレーニングセットが強いバイアスを示す非自明な設定を導入する。 この問題に対処するために,データ領域で不変表現を生成するために,nullサンプリングプロシージャを持つ逆訓練モデルを導入する。 絡み合いを可能にするために、部分的にラベルされた代表セットを用いる。 データドメインに表現を配置することで、モデルによる変更は、人間の監査者によって容易に検査可能である。 我々は,MNIST,CelebA,アダルトデータセットといった画像と表のデータセットに対して,本手法の有効性を示す。

関連論文リスト

• Efficient Information Extraction in Few-Shot Relation Classification through Contrastive Representation Learning [23.992247765851204]
  本稿では,複数文表現とコントラスト学習を組み合わせた情報抽出手法を提案する。 本手法では,これらの表現から相補的識別情報を抽出するために,コントラスト学習を用いる。
  論文  参考訳（メタデータ） (2024-03-25T08:36:06Z)
• Capturing Perspectives of Crowdsourced Annotators in Subjective Learning Tasks [9.110872603799839]
  監督された分類は、人間によって注釈付けされたデータセットに大きく依存する。 毒性分類などの主観的なタスクでは、これらのアノテーションはラッカー間での合意が低くなることが多い。 本研究では、主観的分類タスクのためのtextbfAnnotator Awares for Texts (AART) を提案する。
  論文  参考訳（メタデータ） (2023-11-16T10:18:32Z)
• Class adaptive threshold and negative class guided noisy annotation robust Facial Expression Recognition [3.823356975862006]
  ラベル付けは、アノテータ、画像の明快さなどに基づいているため、本質的にデータセットにノイズの多いアノテーションが存在する。 最近の研究は、FERにおけるこのノイズの多いアノテーション問題を解決するためにサンプル選択法を用いている。 私たちの研究では、動的適応しきい値を使用して、信頼できないサンプルから信頼できないサンプルを分離し、信頼できないサンプルのために学習が妨げられないようにします。
  論文  参考訳（メタデータ） (2023-05-03T04:28:49Z)
• Semi-FairVAE: Semi-supervised Fair Representation Learning with Adversarial Variational Autoencoder [92.67156911466397]
  逆変分オートエンコーダに基づく半教師付き公正表現学習手法を提案する。 我々は、バイアス認識モデルを用いて、機密属性の固有バイアス情報をキャプチャする。 また、偏見のないモデルを用いて、対立学習を用いて偏見情報を取り除き、偏見のない公正表現を学習する。
  論文  参考訳（メタデータ） (2022-04-01T15:57:47Z)
• Active Learning by Feature Mixing [52.16150629234465]
  本稿では,ALFA-Mixと呼ばれるバッチ能動学習手法を提案する。 予測の不整合を求めることにより,不整合な特徴を持つインスタンスを同定する。 これらの予測の不整合は、モデルが未認識のインスタンスで認識できない特徴を発見するのに役立ちます。
  論文  参考訳（メタデータ） (2022-03-14T12:20:54Z)
• Information Symmetry Matters: A Modal-Alternating Propagation Network for Few-Shot Learning [118.45388912229494]
  未ラベルサンプルの欠落した意味情報を補うために,モーダル代替伝搬ネットワーク (MAP-Net) を提案する。 我々は,情報伝達がより有益になるように,セマンティクスを介して視覚的関係ベクトルを誘導するリレーガイダンス(RG)戦略を設計する。 提案手法は有望な性能を達成し,最先端の手法よりも優れる。
  論文  参考訳（メタデータ） (2021-09-03T03:43:53Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)
• Does the dataset meet your expectations? Explaining sample representation in image data [0.0]
  ニューラルネットワークモデルは、トレーニングデータの多様性の欠如によって影響を受けます。 このような欠陥を特定し説明する手法を提案する。 次に,幾何学的形状のデータセットを解析するために本手法を適用した。
  論文  参考訳（メタデータ） (2020-12-06T18:16:28Z)
• Null It Out: Guarding Protected Attributes by Iterative Nullspace Projection [51.041763676948705]
  Iterative Null-space Projection (INLP) は神経表現から情報を取り除く新しい方法である。 提案手法は,単語埋め込みにおけるバイアスを軽減するとともに,複数クラス分類の設定において公平性を高めることができることを示す。
  論文  参考訳（メタデータ） (2020-04-16T14:02:50Z)

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。