Fugu-MT 論文翻訳(概要): Active Fairness Instead of Unawareness

論文の概要: Active Fairness Instead of Unawareness

arxiv url: http://arxiv.org/abs/2009.06251v1
Date: Mon, 14 Sep 2020 08:14:17 GMT
ステータス: 処理完了
システム内更新日: 2022-10-18 12:14:58.248247
Title: Active Fairness Instead of Unawareness
Title（参考訳）: 未知ではなくアクティブフェアネス
Authors: Boris Ruf and Marcin Detyniecki
Abstract要約: 多くの現行の法定基準では、「無意識による公正」を達成するために、データからセンシティブな属性を取り除くことを求めている。高い相関属性を持つ大きなデータセットが一般的であるビッグデータの時代において、このアプローチは時代遅れである、と我々は主張する。
参考スコア（独自算出の注目度）: 2.878329609343415
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The possible risk that AI systems could promote discrimination by reproducing and enforcing unwanted bias in data has been broadly discussed in research and society. Many current legal standards demand to remove sensitive attributes from data in order to achieve "fairness through unawareness". We argue that this approach is obsolete in the era of big data where large datasets with highly correlated attributes are common. In the contrary, we propose the active use of sensitive attributes with the purpose of observing and controlling any kind of discrimination, and thus leading to fair results.
Abstract（参考訳）: AIシステムがデータの再生と強制によって差別を促進するリスクは、研究や社会で広く議論されている。多くの現行の法定基準では、データから機密属性を取り除き、「無意識による公正さ」を達成するよう要求している。高い相関属性を持つ大きなデータセットが一般的であるビッグデータの時代において、このアプローチは時代遅れである、と我々は主張する。対照的に,あらゆる種類の識別を観察し,制御することを目的として,敏感な属性を積極的に使用することを提案し,公平な結果をもたらす。

関連論文リスト

The Impact of Differential Feature Under-reporting on Algorithmic Fairness [86.275300739926]
解析的に抽出可能な差分特徴のアンダーレポーティングモデルを提案する。そして、この種のデータバイアスがアルゴリズムの公正性に与える影響を特徴づける。我々の結果は、実世界のデータ設定では、アンダーレポートが典型的に格差を増大させることを示している。
論文参考訳（メタデータ） (2024-01-16T19:16:22Z)
Practical Bias Mitigation through Proxy Sensitive Attribute Label Generation [0.0]
本稿では,非教師なし埋め込み生成の2段階的アプローチとクラスタリングによるプロキシ・センシティブなラベルの取得を提案する。我々の研究の有効性は、バイアスが感度属性と相関する非感度属性を通して伝播するという仮定に依存している。実験結果から、Fair MixupやAdversarial Debiasingといった既存のアルゴリズムによるバイアス緩和は、導出されたプロキシラベルに匹敵する結果をもたらすことが示された。
論文参考訳（メタデータ） (2023-12-26T10:54:15Z)
Towards Generalizable Data Protection With Transferable Unlearnable Examples [50.628011208660645]
本稿では、転送不可能な例を生成することによって、新しい一般化可能なデータ保護手法を提案する。私たちの知る限りでは、これはデータ分散の観点からデータのプライバシを調べる最初のソリューションです。
論文参考訳（メタデータ） (2023-05-18T04:17:01Z)
Fair Spatial Indexing: A paradigm for Group Spatial Fairness [6.640563753223598]
機械学習における位置バイアスを軽減する手法を提案する。本研究では,空間群フェアネスに着目し,空間群フェアネスを考慮に入れた空間インデックス化アルゴリズムを提案する。
論文参考訳（メタデータ） (2023-02-05T05:15:11Z)
Data Representativeness in Accessibility Datasets: A Meta-Analysis [7.6597163467929805]
障害のある人と高齢者が作成したデータセットをレビューする。アクセシビリティデータセットは様々な年齢を表すが、性別と人種の差がある。われわれの努力が、AIに注入されたシステムに、余分なコミュニティをもっと取り入れる可能性の空間を広げることを願っている。
論文参考訳（メタデータ） (2022-07-16T23:32:19Z)
Demographic-Reliant Algorithmic Fairness: Characterizing the Risks of Demographic Data Collection in the Pursuit of Fairness [0.0]
我々は、アルゴリズムの公正性を実現するために、人口統計に関するより多くのデータを集めることを検討する。これらの技術は、データガバナンスとシステム抑圧に関するより広範な疑問を、いかに無視するかを示す。
論文参考訳（メタデータ） (2022-04-18T04:50:09Z)
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)
Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文参考訳（メタデータ） (2021-09-17T13:45:46Z)
Fairness without the sensitive attribute via Causal Variational Autoencoder [17.675997789073907]
EUにおけるプライバシーの目的とRGPDのような多彩な規制のため、多くの個人機密属性は収集されないことが多い。近年の開発成果を近似推論に活用することにより,このギャップを埋めるためのアプローチを提案する。因果グラフに基づいて、機密情報プロキシを推論するために、SRCVAEと呼ばれる新しい変分自動符号化ベースのフレームワークを利用する。
論文参考訳（メタデータ） (2021-09-10T17:12:52Z)
FairCVtest Demo: Understanding Bias in Multimodal Learning with a Testbed in Fair Automatic Recruitment [79.23531577235887]
このデモは、非構造化データから機密情報を抽出する採用ツールの背後にある人工知能(AI)の能力を示しています。また、このデモには差別認識学習のための新しいアルゴリズムが含まれており、マルチモーダルAIフレームワークの機密情報を排除している。
論文参考訳（メタデータ） (2020-09-12T17:45:09Z)
Data Augmentation Imbalance For Imbalanced Attribute Classification [60.71438625139922]
本稿では,データ拡張不均衡(DAI)と呼ばれる新しい再サンプリングアルゴリズムを提案する。我々のDAIアルゴリズムは歩行者属性のデータセットに基づいて最先端の結果を得る。
論文参考訳（メタデータ） (2020-04-19T20:43:29Z)

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。