論文の概要: An example of prediction which complies with Demographic Parity and
equalizes group-wise risks in the context of regression
- arxiv url: http://arxiv.org/abs/2011.07158v1
- Date: Fri, 13 Nov 2020 22:46:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-25 23:18:37.807516
- Title: An example of prediction which complies with Demographic Parity and
equalizes group-wise risks in the context of regression
- Title（参考訳）: 回帰の文脈における集団的リスクの等化とデモグラフィックパリティに適合する予測の例
- Authors: Evgenii Chzhen and Nicolas Schreuder
- Abstract要約: 異なる処理を生成しないベイズ最適予測$f*$は、$f*(x) = mathbbE[Y | X = x]$と定義される。
本稿では,アルゴリズム的公正性の数学的概念をよりよく理解するために,この結果がもたらすいくつかの意味について論じる。
- 参考スコア（独自算出の注目度）: 3.9596068699962323
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Let $(X, S, Y) \in \mathbb{R}^p \times \{1, 2\} \times \mathbb{R}$ be a
triplet following some joint distribution $\mathbb{P}$ with feature vector $X$,
sensitive attribute $S$ , and target variable $Y$. The Bayes optimal prediction
$f^*$ which does not produce Disparate Treatment is defined as $f^*(x) =
\mathbb{E}[Y | X = x]$. We provide a non-trivial example of a prediction $x \to
f(x)$ which satisfies two common group-fairness notions: Demographic Parity
\begin{align} (f(X) | S = 1) &\stackrel{d}{=} (f(X) | S = 2) \end{align} and
Equal Group-Wise Risks \begin{align}
\mathbb{E}[(f^*(X) - f(X))^2 | S = 1] = \mathbb{E}[(f^*(X) - f(X))^2 | S =
2]. \end{align} To the best of our knowledge this is the first explicit
construction of a non-constant predictor satisfying the above. We discuss
several implications of this result on better understanding of mathematical
notions of algorithmic fairness.
- Abstract（参考訳）: 例えば、$(X, S, Y) \in \mathbb{R}^p \times \{1, 2\} \times \mathbb{R}$ を、ある合同分布の後に三重項とする。
ベイズ最適予測 $f^*$ は異なる処理をしないが、これは $f^*(x) = \mathbb{e}[y | x = x]$ と定義される。
統計学的パリティ \begin{align} (f(x) | s = 1) &\stackrel{d}{=} (f(x) | s = 2) \end{align} and equal group-wise risk \begin{align} \mathbb{e}[(f^*(x) - f(x))^2 | s = 1] = \mathbb{e}[(f^*(x) - f(x))^2 | s = 2] である。
\end{align} 我々の知る限りでは、これは上記のことを満足する非インスタンス予測器の明示的な構築である。
この結果のいくつかの意味について,アルゴリズム的公平性に関する数学的概念の理解を深めることについて論じる。
関連論文リスト
- Learning a Single Neuron Robustly to Distributional Shifts and Adversarial Label Noise [38.551072383777594]
本研究では, 対向分布シフトの存在下でのL2$損失に対して, 単一ニューロンを学習する問題について検討した。
ベクトルベクトル二乗損失を$chi2$divergenceから$mathcalp_0$に近似するアルゴリズムを開発した。
論文 参考訳（メタデータ） (2024-11-11T03:43:52Z) - The Communication Complexity of Approximating Matrix Rank [50.6867896228563]
この問題は通信複雑性のランダム化を$Omega(frac1kcdot n2log|mathbbF|)$とする。
アプリケーションとして、$k$パスを持つ任意のストリーミングアルゴリズムに対して、$Omega(frac1kcdot n2log|mathbbF|)$スペースローバウンドを得る。
論文 参考訳（メタデータ） (2024-10-26T06:21:42Z) - In-depth Analysis of Low-rank Matrix Factorisation in a Federated Setting [21.002519159190538]
我々は分散アルゴリズムを解析し、$N$クライアント上で低ランク行列の分解を計算する。
グローバルな$mathbfV$ in $mathbbRd times r$をすべてのクライアントに共通とし、ローカルな$mathbfUi$ in $mathbbRn_itimes r$を得る。
論文 参考訳（メタデータ） (2024-09-13T12:28:42Z) - Provably learning a multi-head attention layer [55.2904547651831]
マルチヘッドアテンション層は、従来のフィードフォワードモデルとは分離したトランスフォーマーアーキテクチャの重要な構成要素の1つである。
本研究では,ランダムな例から多面的注意層を実証的に学習する研究を開始する。
最悪の場合、$m$に対する指数的依存は避けられないことを示す。
論文 参考訳（メタデータ） (2024-02-06T15:39:09Z) - A Unified Framework for Uniform Signal Recovery in Nonlinear Generative
Compressed Sensing [68.80803866919123]
非線形測定では、ほとんどの先行結果は一様ではない、すなわち、すべての$mathbfx*$に対してではなく、固定された$mathbfx*$に対して高い確率で保持される。
本フレームワークはGCSに1ビット/一様量子化観測と単一インデックスモデルを標準例として適用する。
また、指標集合が計量エントロピーが低い製品プロセスに対して、より厳密な境界を生み出す濃度不等式も開発する。
論文 参考訳（メタデータ） (2023-09-25T17:54:19Z) - Conformal prediction under ambiguous ground truth [34.92407089333591]
コンフォーマル予測(CP)は厳密な不確実性定量化を可能にする。
通常、$mathbbPY|X$ は「真の」後ラベル分布であると仮定される。
我々は, {mathbbP_vote=mathbbPX otimes mathbbP_voteY|X$.t.$mathbbP_vote=mathbbPX otimes mathbbP_voteY|X$.を保証できるモンテカルロCP手順を開発した。
論文 参考訳（メタデータ） (2023-07-18T14:40:48Z) - Learning a Single Neuron with Adversarial Label Noise via Gradient
Descent [50.659479930171585]
モノトン活性化に対する $mathbfxmapstosigma(mathbfwcdotmathbfx)$ の関数について検討する。
学習者の目標は仮説ベクトル $mathbfw$ that $F(mathbbw)=C, epsilon$ を高い確率で出力することである。
論文 参考訳（メタデータ） (2022-06-17T17:55:43Z) - Near-Optimal Model Discrimination with Non-Disclosure [19.88145627448243]
まず、二乗損失を持つよく特定された線形モデルについて考察する。
類似した形態のサンプルの複雑さは、たとえ不特定であっても引き起こされる。
論文 参考訳（メタデータ） (2020-12-04T23:52:54Z) - Optimal Mean Estimation without a Variance [103.26777953032537]
本研究では,データ生成分布の分散が存在しない環境での重み付き平均推定問題について検討する。
最小の信頼区間を$n,d,delta$の関数として得る推定器を設計する。
論文 参考訳（メタデータ） (2020-11-24T22:39:21Z) - Near-Optimal SQ Lower Bounds for Agnostically Learning Halfspaces and
ReLUs under Gaussian Marginals [49.60752558064027]
ガウス境界の下では、半空間とReLUを不可知的に学習する基本的な問題について検討する。
我々の下限は、これらのタスクの現在の上限が本質的に最良のものであるという強い証拠を与える。
論文 参考訳（メタデータ） (2020-06-29T17:10:10Z)
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。
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。