論文の概要: Impact of Data Processing on Fairness in Supervised Learning
- arxiv url: http://arxiv.org/abs/2102.01867v1
- Date: Wed, 3 Feb 2021 04:11:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-05 01:46:08.593080
- Title: Impact of Data Processing on Fairness in Supervised Learning
- Title（参考訳）: 教師付き学習におけるデータ処理が公正性に及ぼす影響
- Authors: Sajad Khodadadian, AmirEmad Ghassami, Negar Kiyavash
- Abstract要約: データ駆動意思決定者における差別を減らすために,前処理と後処理が与える影響について検討する。
いくつかの穏やかな条件下では、前処理が後処理より優れていることを示す。
- 参考スコア（独自算出の注目度）: 30.419675300470573
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We study the impact of pre and post processing for reducing discrimination in
data-driven decision makers. We first analyze the fundamental trade-off between
fairness and accuracy in a pre-processing approach, and propose a design for a
pre-processing module based on a convex optimization program, which can be
added before the original classifier. This leads to a fundamental lower bound
on attainable discrimination, given any acceptable distortion in the outcome.
Furthermore, we reformulate an existing post-processing method in terms of our
accuracy and fairness measures, which allows comparing post-processing and
pre-processing approaches. We show that under some mild conditions,
pre-processing outperforms post-processing. Finally, we show that by
appropriate choice of the discrimination measure, the optimization problem for
both pre and post processing approaches will reduce to a linear program and
hence can be solved efficiently.
- Abstract（参考訳）: データ駆動意思決定者における差別を減らすための前処理と後処理の影響について検討する。
まず,事前処理手法における公平性と正確性との根本的なトレードオフを分析し,元の分類器に先立って追加可能な凸最適化プログラムに基づく前処理モジュールの設計を提案する。
これにより、結果に許容できる歪みが与えられると、到達可能な識別に関する基本的な下界が生まれる。
さらに,前処理法と後処理法を比較した精度と公平性の観点から,既存の後処理法を再構成した。
軽度な条件下では,前処理が後処理に勝ることを示す。
最後に, 識別尺度の適切な選択により, 前処理アプローチと後処理アプローチの両方の最適化問題は線形プログラムに減少し, 効率的に解くことができることを示す。
関連論文リスト
- Data Preparation for Fairness-Performance Trade-Offs: A Practitioner-Friendly Alternative? [11.172805305320592]
トレーニング前のバイアスを軽減する前処理技術は効果的だが、モデルの性能に影響を与え、統合が困難になる可能性がある。
本報告では,MLライフサイクルの初期段階において,最適に選択されたフェアネス・アウェアの実践が,フェアネスとパフォーマンスの両面でいかに向上するかを実証的に評価する。
FATEを用いてフェアネスとパフォーマンスのトレードオフを分析し、FATEが選択したパイプラインと、前処理のバイアス緩和技術による結果を比較する。
論文 参考訳（メタデータ） (2024-12-20T14:12:39Z) - FRAPPE: A Group Fairness Framework for Post-Processing Everything [48.57876348370417]
本稿では,任意の正規化インプロセッシング手法をポストプロセッシング手法に変換するフレームワークを提案する。
理論的および実験を通して、我々のフレームワークは、内部処理で達成された優れた公正なエラートレードオフを保っていることを示す。
論文 参考訳（メタデータ） (2023-12-05T09:09:21Z) - Predict-Then-Optimize by Proxy: Learning Joint Models of Prediction and
Optimization [59.386153202037086]
Predict-Then-フレームワークは、機械学習モデルを使用して、最適化問題の未知のパラメータを、解決前の機能から予測する。
このアプローチは非効率であり、最適化ステップを通じてバックプロパゲーションのための手作りの、問題固有のルールを必要とする。
本稿では,予測モデルを用いて観測可能な特徴から最適解を直接学習する手法を提案する。
論文 参考訳（メタデータ） (2023-11-22T01:32:06Z) - Improving Fair Training under Correlation Shifts [33.385118640843416]
特にラベルとセンシティブなグループ間のバイアスが変化すると、トレーニングされたモデルの公平性に直接影響し、悪化する可能性がある。
既存のプロセス内フェアアルゴリズムは、精度とグループフェアネスに根本的な限界があることを解析的に示す。
相関シフトを減らすために入力データをサンプリングする新しい前処理ステップを提案する。
論文 参考訳（メタデータ） (2023-02-05T07:23:35Z) - Perception-Distortion Balanced ADMM Optimization for Single-Image
Super-Resolution [29.19388490351459]
低周波制約(LFc-SR)を持つ新しい超解像モデルを提案する。
制約付きモデルの非自明な学習のためのADMMに基づく交互最適化手法を提案する。
実験の結果,提案手法は加工後処理の煩雑さを伴わず,最先端の性能を達成できた。
論文 参考訳（メタデータ） (2022-08-05T05:37:55Z) - Predictive machine learning for prescriptive applications: a coupled
training-validating approach [77.34726150561087]
規範的応用のための予測機械学習モデルをトレーニングするための新しい手法を提案する。
このアプローチは、標準的なトレーニング検証テストスキームの検証ステップを微調整することに基づいている。
合成データを用いたいくつかの実験は、決定論的モデルと実モデルの両方において処方料コストを削減できる有望な結果を示した。
論文 参考訳（メタデータ） (2021-10-22T15:03:20Z) - Integrated Optimization of Predictive and Prescriptive Tasks [0.0]
予測タスクを記述タスクとして直接統合する新しいフレームワークを提案する。
予測アルゴリズムのパラメータを2レベル最適化技術により、処方問題内でトレーニングします。
論文 参考訳（メタデータ） (2021-01-02T02:43:10Z) - Fast Rates for Contextual Linear Optimization [52.39202699484225]
提案手法は, 下流決定性能を直接最適化する手法よりもはるかに高速な, 後悔の収束率を実現する。
予測モデルは、既存のツールを使ったトレーニングが簡単かつ高速で、解釈が簡単で、私たちが示しているように、非常にうまく機能する決定につながる。
論文 参考訳（メタデータ） (2020-11-05T18:43:59Z) - Bias and Variance of Post-processing in Differential Privacy [53.29035917495491]
後処理免疫は、差分プライバシーの基本的な性質である。
ポストプロセッシングはバイアスをもたらし、ばらつきを増大させるとしばしば主張される。
本稿では,後処理の特性を理解するための第一歩を踏み出す。
論文 参考訳（メタデータ） (2020-10-09T02:12:54Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z)
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。