論文の概要: Detecting Bias in the Presence of Spatial Autocorrelation

• arxiv url: http://arxiv.org/abs/2101.01703v3
• Date: Fri, 28 Jan 2022 18:45:59 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-17 19:48:34.600844
• Title: Detecting Bias in the Presence of Spatial Autocorrelation
• Title（参考訳）: 空間自己相関の存在下でのバイアスの検出
• Authors: Subhabrata Majumdar, Cheryl Flynn, Ritwik Mitra
• Abstract要約: 空間データアプリケーションにおけるバイアスは、下層の空間的自己相関によって理解されることが多い。 本研究は,この効果の存在と強さを検出するための仮説テスト手法を提案する。 次に、空間フィルタリングに基づくアプローチを用いてそれを説明する。
• 参考スコア（独自算出の注目度）: 3.4990427823966828
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In spite of considerable practical importance, current algorithmic fairness literature lacks technical methods to account for underlying geographic dependency while evaluating or mitigating bias issues for spatial data. We initiate the study of bias in spatial applications in this paper, taking the first step towards formalizing this line of quantitative methods. Bias in spatial data applications often gets confounded by underlying spatial autocorrelation. We propose hypothesis testing methodology to detect the presence and strength of this effect, then account for it by using a spatial filtering-based approach -- in order to enable application of existing bias detection metrics. We evaluate our proposed methodology through numerical experiments on real and synthetic datasets, demonstrating that in the presence of several types of confounding effects due to the underlying spatial structure our testing methods perform well in maintaining low type-II errors and nominal type-I errors.
• Abstract（参考訳）: かなりの実用的重要性にもかかわらず、現在のアルゴリズムの公平性文学は、空間データのバイアス問題を評価または緩和しながら、地理的依存性を考慮に入れる技術的手法を欠いている。 本稿では,空間的応用におけるバイアスの研究を開始し,定量的手法の体系化に向けて第一歩を踏み出す。 空間的データ応用におけるバイアスは、しばしば基礎となる空間的自己相関によって共起される。 我々は,この効果の存在と強さを検出するための仮説テスト手法を提案し,空間フィルタリングに基づく手法を用いてそれを説明することにより,既存のバイアス検出メトリクスの適用を可能にする。 提案手法を実データおよび合成データセットの数値実験により評価し,空間構造に起因した複数種類の共起効果が存在する場合,テスト手法は低型II誤りと名目I誤りの維持に有効であることを示した。

関連論文リスト

• Adaptive and Stratified Subsampling Techniques for High Dimensional Non-Standard Data Environments [35.41693258511832]
  本稿では,非標準データ環境における高次元パラメータ推定の課題に対処する。 本稿では,頑健なサブサンプリング手法,特に適応サンプリング重要度(AIS)と階層サブサンプリングを提案する。
  論文  参考訳（メタデータ） (2024-10-16T08:39:40Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• Embedding Trajectory for Out-of-Distribution Detection in Mathematical Reasoning [50.84938730450622]
  数理推論におけるOOD検出にトラジェクトリボラティリティを用いたトラジェクトリベースのTVスコアを提案する。 本手法は, 数学的推論シナリオ下でのGLM上での従来のアルゴリズムよりも優れる。 提案手法は,複数選択質問などの出力空間における高密度特徴を持つアプリケーションに拡張することができる。
  論文  参考訳（メタデータ） (2024-05-22T22:22:25Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Too Good To Be True: performance overestimation in (re)current practices for Human Activity Recognition [49.1574468325115]
  データセグメンテーションのためのスライディングウィンドウと、標準のランダムk倍のクロスバリデーションが続くと、バイアスのある結果が得られる。 この問題に対する科学界の認識を高めることは重要であり、その否定的な影響は見落とされつつある。 異なるタイプのデータセットと異なるタイプの分類モデルを用いたいくつかの実験により、問題を示し、メソッドやデータセットとは独立して持続することを示すことができる。
  論文  参考訳（メタデータ） (2023-10-18T13:24:05Z)
• Systematic Evaluation of Predictive Fairness [60.0947291284978]
  バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。 複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。 データ条件が相対モデルの性能に強い影響を与えることがわかった。
  論文  参考訳（メタデータ） (2022-10-17T05:40:13Z)
• Information-Theoretic Bias Reduction via Causal View of Spurious Correlation [71.9123886505321]
  本稿では,スプリアス相関の因果的解釈による情報理論バイアス測定手法を提案する。 本稿では,バイアス正規化損失を含むアルゴリズムバイアスに対する新しいデバイアスフレームワークを提案する。 提案したバイアス測定とデバイアス法は、多様な現実シナリオで検証される。
  論文  参考訳（メタデータ） (2022-01-10T01:19:31Z)
• Prediction of Spatial Point Processes: Regularized Method with Out-of-Sample Guarantees [23.178396031181393]
  本研究では,正規化基準を用いて空間モデルを学習し,予測強度間隔を推定する手法を開発した。 提案手法は,空間モデルが誤特定された場合でも,標準推定値と異なり有効であることを示す。
  論文  参考訳（メタデータ） (2020-07-03T10:11:59Z)
• On Cokriging, Neural Networks, and Spatial Blind Source Separation for Multivariate Spatial Prediction [3.416170716497814]
  ブラインドソース分離は空間予測のための前処理ツールである。 本稿では,空間的ブラインド音源分離を空間的予測のための前処理ツールとして利用することを検討する。 我々は、大規模なシミュレーション研究と地球化学データセットにおいて、Cokrigingとニューラルネットワークの予測と比較した。
  論文  参考訳（メタデータ） (2020-07-01T10:59:45Z)

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。