論文の概要: FairXGBoost: Fairness-aware Classification in XGBoost

• arxiv url: http://arxiv.org/abs/2009.01442v2
• Date: Wed, 7 Oct 2020 05:14:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-22 07:34:29.356807
• Title: FairXGBoost: Fairness-aware Classification in XGBoost
• Title（参考訳）: FairXGBoost: XGBoostのフェアネス対応分類
• Authors: Srinivasan Ravichandran, Drona Khurana, Bharath Venkatesh, Narayanan Unny Edakunni
• Abstract要約: 本稿では,XGBoostの利点を享受しつつ,バイアス緩和アルゴリズムによる公平性のレベルを一致させたXGBoostのフェアバリアントを提案する。 フェアネスコミュニティで使用される標準ベンチマークデータセットについて,提案手法の実証分析を行った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Highly regulated domains such as finance have long favoured the use of machine learning algorithms that are scalable, transparent, robust and yield better performance. One of the most prominent examples of such an algorithm is XGBoost. Meanwhile, there is also a growing interest in building fair and unbiased models in these regulated domains and numerous bias-mitigation algorithms have been proposed to this end. However, most of these bias-mitigation methods are restricted to specific model families such as logistic regression or support vector machine models, thus leaving modelers with a difficult decision of choosing between fairness from the bias-mitigation algorithms and scalability, transparency, performance from algorithms such as XGBoost. We aim to leverage the best of both worlds by proposing a fair variant of XGBoost that enjoys all the advantages of XGBoost, while also matching the levels of fairness from the state-of-the-art bias-mitigation algorithms. Furthermore, the proposed solution requires very little in terms of changes to the original XGBoost library, thus making it easy for adoption. We provide an empirical analysis of our proposed method on standard benchmark datasets used in the fairness community.
• Abstract（参考訳）: 金融のような高度に規制されたドメインは、スケーラブルで透明性があり、堅牢で、優れたパフォーマンスをもたらす機械学習アルゴリズムの使用を長い間好んでいた。 そのようなアルゴリズムの最も顕著な例の1つはXGBoostである。 一方で、これらの規制されたドメインに公平で偏りのないモデルを構築することにも関心が高まり、この目的のために多くのバイアス緩和アルゴリズムが提案されている。 しかし、これらのバイアス緩和法はロジスティック回帰やサポートベクターマシンモデルのような特定のモデルファミリに制限されているため、モデル作成者はバイアス緩和アルゴリズムからフェアネスを選択し、スケーラビリティ、透明性、xgboostのようなアルゴリズムからのパフォーマンスを選択することが難しい。 我々は、XGBoostの全ての利点を享受する公平なXGBoostの提案と、最先端のバイアス緩和アルゴリズムによる公正さのレベルを一致させることにより、両方の世界の長所を活用することを目指している。 さらに、提案されたソリューションは、元のXGBoostライブラリの変更に関してほとんど必要としないため、採用が容易になる。 フェアネスコミュニティで使用される標準ベンチマークデータセットについて,提案手法の実証分析を行った。

関連論文リスト

• Bi-discriminator Domain Adversarial Neural Networks with Class-Level Gradient Alignment [87.8301166955305]
  そこで本研究では,クラスレベルのアライメントアライメントを有するバイディミネータドメイン対向ニューラルネットワークを提案する。 BACGは、領域分布の整合性を改善するために勾配信号と二階確率推定を利用する。 さらに、対照的な学習にインスパイアされ、トレーニングプロセスを大幅に短縮できるメモリバンクベースの変種であるFast-BACGを開発した。
  論文  参考訳（メタデータ） (2023-10-21T09:53:17Z)
• 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)
• Fast Feature Selection with Fairness Constraints [49.142308856826396]
  モデル構築における最適特徴の選択に関する基礎的問題について検討する。 この問題は、greedyアルゴリズムの変種を使用しても、大規模なデータセットで計算的に困難である。 適応クエリモデルは,最近提案された非モジュラー関数に対する直交整合探索のより高速なパラダイムに拡張する。 提案アルゴリズムは、適応型クエリモデルにおいて指数関数的に高速な並列実行を実現する。
  論文  参考訳（メタデータ） (2022-02-28T12:26:47Z)
• FOLD-RM: A Scalable and Efficient Inductive Learning Algorithm for Multi-Category Classification of Mixed Data [3.1981440103815717]
  FOLD-RMは、混合(数値と分類)データのデフォルトルールを学習するための自動帰納学習アルゴリズムである。 マルチカテゴリ分類タスクのための(説明可能な)応答セットプログラミング(ASP)ルールセットを生成する。
  論文  参考訳（メタデータ） (2022-02-14T18:07:54Z)
• Unpacking the Black Box: Regulating Algorithmic Decisions [1.283555556182245]
  本稿では,貸付,医療検査,雇用などの高額なアプリケーションで使用される「ブラックボックス」アルゴリズムの監視モデルを提案する。 複雑なアルゴリズムを許すことは、福祉を改善することができるが、その利益は規制当局の規制方法に依存する。
  論文  参考訳（メタデータ） (2021-10-05T23:20:25Z)
• Individually Fair Gradient Boosting [86.1984206610373]
  我々は、グラデーションブーストにおいて個人の公平性を強制するタスクを検討する。 アルゴリズムがグローバルに収束し、一般化することを示す。 また,アルゴリズムバイアスの影響を受けやすい3つのml問題に対するアルゴリズムの有効性を示す。
  論文  参考訳（メタデータ） (2021-03-31T03:06:57Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Metrics and methods for a systematic comparison of fairness-aware machine learning algorithms [0.0]
  この研究はこの種の最も包括的なものである。 フェアネス、予測性能、キャリブレーション品質、28種類のモデリングパイプラインの速度を考慮に入れている。 また,フェアネスを意識したアルゴリズムは,予測力の低下を伴わずにフェアネスを誘導できることがわかった。
  論文  参考訳（メタデータ） (2020-10-08T13:58:09Z)
• Genetic programming approaches to learning fair classifiers [4.901632310846025]
  フェアネスを分類のための遺伝的プログラミングに組み込んだ、公正さと動機付けの提案に対する現在のアプローチについて論じる。 1つ目は、フェアネスの目的を多目的最適化に組み込むことである。 2つ目は、保護群の交叉上のケースを動的に定義するために語彙選択を適用することである。
  論文  参考訳（メタデータ） (2020-04-28T04:20:25Z)
• On the Dual Formulation of Boosting Algorithms [92.74617630106559]
  AdaBoost,LogitBoost,Soft-marginBoostのラグランジュ問題は、すべて一般化されたヒンジ損失エントロピーの双対問題であることを示す。 これらのブースティングアルゴリズムの2つの問題を見て、より良いマージン分布を維持するという観点から、ブースティングの成功を理解することができることを示す。
  論文  参考訳（メタデータ） (2009-01-23T02:14:42Z)

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。