論文の概要: Fairness with Continuous Optimal Transport
- arxiv url: http://arxiv.org/abs/2101.02084v1
- Date: Wed, 6 Jan 2021 15:10:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-11 00:15:07.235754
- Title: Fairness with Continuous Optimal Transport
- Title(参考訳): 連続最適輸送の公正性
- Authors: Silvia Chiappa and Aldo Pacchiano
- Abstract要約: 連続otの双対定式化に基づく漸次フェアネス法を提案する。
本手法は離散OT法よりも優れた性能を示すことを示す。
また,連続OT法と離散OT法の両方がモデルパラメータを連続的に調整し,異なるレベルの不公平さに適応できることを示す。
- 参考スコア(独自算出の注目度): 27.028305502703216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whilst optimal transport (OT) is increasingly being recognized as a powerful
and flexible approach for dealing with fairness issues, current OT fairness
methods are confined to the use of discrete OT. In this paper, we leverage
recent advances from the OT literature to introduce a stochastic-gradient
fairness method based on a dual formulation of continuous OT. We show that this
method gives superior performance to discrete OT methods when little data is
available to solve the OT problem, and similar performance otherwise. We also
show that both continuous and discrete OT methods are able to continually
adjust the model parameters to adapt to different levels of unfairness that
might occur in real-world applications of ML systems.
- Abstract(参考訳): 最適輸送(OT)は、公平性問題に対処するための強力で柔軟なアプローチとして認識されつつあるが、現在のOTフェアネス法は離散OTの使用に限られている。
本稿では, OT文献の最近の進歩を活用し, 連続OTの二重定式化に基づく確率階調法を導入する。
本手法は,データが少ない場合には離散OT法よりも優れた性能を示し,それ以外は同様の性能を示す。
また、連続的および離散的なOT法は、MLシステムの現実的な応用において起こりうる様々な不公平なレベルに適応するために、モデルパラメータを継続的に調整できることを示す。
関連論文リスト
- A Channel-ensemble Approach: Unbiased and Low-variance Pseudo-labels is Critical for Semi-supervised Classification [61.473485511491795]
半教師付き学習(SSL)はコンピュータビジョンにおける実践的な課題である。
Pseudo-label (PL) メソッド、例えば FixMatch や FreeMatch は SSL で State of The Art (SOTA) のパフォーマンスを取得する。
本稿では,複数の下位PLを理論的に保証された非偏りと低分散のPLに集約する,軽量なチャネルベースアンサンブル法を提案する。
論文 参考訳(メタデータ) (2024-03-27T09:49:37Z) - Energy-Guided Continuous Entropic Barycenter Estimation for General Costs [95.33926437521046]
任意のOTコスト関数に対して連続的エントロピーOT(EOT)バリセンタを近似する新しいアルゴリズムを提案する。
本手法は、弱いOTに基づくEOT問題の二重再構成に基づいている。
論文 参考訳(メタデータ) (2023-10-02T11:24:36Z) - Mimicking Better by Matching the Approximate Action Distribution [48.81067017094468]
そこで我々は,Imitation Learning from Observationsのための新しい,サンプル効率の高いオンライン政治アルゴリズムMAADを紹介する。
我々は、専門家のパフォーマンスを達成するためには、かなり少ないインタラクションが必要であり、現在最先端の政治手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-06-16T12:43:47Z) - Generative Modeling through the Semi-dual Formulation of Unbalanced
Optimal Transport [9.980822222343921]
非平衡最適輸送(UOT)の半二重定式化に基づく新しい生成モデルを提案する。
OTとは異なり、UOTは分散マッチングの厳しい制約を緩和する。このアプローチは、外れ値に対する堅牢性、トレーニング中の安定性、より高速な収束を提供する。
CIFAR-10ではFIDスコアが2.97、CelebA-HQ-256では6.36である。
論文 参考訳(メタデータ) (2023-05-24T06:31:05Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳(メタデータ) (2022-05-24T20:51:37Z) - Continuous Transition: Improving Sample Efficiency for Continuous
Control Problems via MixUp [119.69304125647785]
本稿では,連続的遷移を構築するための簡潔かつ強力な手法を提案する。
具体的には、連続的な遷移を線形に補間することにより、トレーニングのための新しい遷移を合成することを提案する。
また, 建設過程を自動案内する判別器を開発した。
論文 参考訳(メタデータ) (2020-11-30T01:20:23Z) - Robust Optimal Transport with Applications in Generative Modeling and
Domain Adaptation [120.69747175899421]
ワッサーシュタインのような最適輸送(OT)距離は、GANやドメイン適応のようないくつかの領域で使用されている。
本稿では,現代のディープラーニングアプリケーションに適用可能な,ロバストなOT最適化の計算効率のよい2つの形式を提案する。
提案手法では, ノイズの多いデータセット上で, 外部分布で劣化したGANモデルをトレーニングすることができる。
論文 参考訳(メタデータ) (2020-10-12T17:13:40Z) - Learning Cost Functions for Optimal Transport [44.64193016158591]
逆最適輸送(英: Inverse optimal transport, OT)とは、観測された輸送計画またはそのサンプルから、OTのコスト関数を学習する問題を指す。
逆OT問題の制約のない凸最適化式を導出し、任意のカスタマイズ可能な正規化によりさらに拡張することができる。
論文 参考訳(メタデータ) (2020-02-22T07:27:17Z) - Regularized Optimal Transport is Ground Cost Adversarial [34.81915836064636]
最適輸送問題の正則化は, 地価逆数と解釈できることを示す。
これにより、地上空間上のロバストな異性度測度にアクセスでき、他のアプリケーションで使用することができる。
論文 参考訳(メタデータ) (2020-02-10T17:28:35Z)
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。