論文の概要: Fair Mixup: Fairness via Interpolation

• arxiv url: http://arxiv.org/abs/2103.06503v1
• Date: Thu, 11 Mar 2021 06:57:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-13 08:41:36.792878
• Title: Fair Mixup: Fairness via Interpolation
• Title（参考訳）: Fair Mixup: 補間による公平性
• Authors: Ching-Yao Chuang, Youssef Mroueh
• Abstract要約: 公平性制約を課すための新しいデータ拡張戦略であるfair mixupを提案する。 対象群間の補間標本の経路のモデルに正則化することで公平性が達成できることを示す。 ベンチマークにおける精度と公正度の測定の両面において,より優れた一般化を実現することを実証的に示す。
• 参考スコア（独自算出の注目度）: 28.508444261249423
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Training classifiers under fairness constraints such as group fairness, regularizes the disparities of predictions between the groups. Nevertheless, even though the constraints are satisfied during training, they might not generalize at evaluation time. To improve the generalizability of fair classifiers, we propose fair mixup, a new data augmentation strategy for imposing the fairness constraint. In particular, we show that fairness can be achieved by regularizing the models on paths of interpolated samples between the groups. We use mixup, a powerful data augmentation strategy to generate these interpolates. We analyze fair mixup and empirically show that it ensures a better generalization for both accuracy and fairness measurement in tabular, vision, and language benchmarks.
• Abstract（参考訳）: グループ公平性などの公正性制約下での訓練分類器は、グループ間の予測の格差を規則化する。 それでも、トレーニング中に制約が満たされても、評価時に一般化することはない。 公平な分類器の一般化性を改善するため,フェアネス制約を課す新しいデータ拡張戦略であるフェアミックスアップを提案する。 特に, 群間の補間標本の経路上のモデルを正則化することにより, 公平性が達成できることを示す。 mixupは、これらの補間を生成するための強力なデータ拡張戦略です。 公正な混合を分析し、表、ビジョン、および言語ベンチマークの精度と公平性測定の両方においてより良い一般化を保証することを実証的に示します。

関連論文リスト

• Fair Distillation: Teaching Fairness from Biased Teachers in Medical Imaging [16.599189934420885]
  本研究では,Fair Distillation (FairDi) 法を提案する。 また,FairDiの精度は,既存手法に比べて向上し,グループ別精度も向上した。 FairDiは分類やセグメンテーションなどの様々な医療タスクに適応し、公平なモデルパフォーマンスのための効果的なソリューションを提供する。
  論文  参考訳（メタデータ） (2024-11-18T16:50:34Z)
• Towards Cohesion-Fairness Harmony: Contrastive Regularization in Individual Fair Graph Clustering [5.255750357176021]
  iFairNMTFは、対照的なフェアネス正則化を持つ個別のフェアネス非負行列三要素化モデルである。 我々のモデルは、カスタマイズ可能な精度対公平トレードオフを可能にし、それによってユーザーの自律性を高める。
  論文  参考訳（メタデータ） (2024-02-16T15:25:56Z)
• Data Augmentation via Subgroup Mixup for Improving Fairness [31.296907816698987]
  グループフェアネスを改善するために、サブグループ間のペアワイズミキシングによるデータ拡張を提案する。 分類性能を向上させるためのミックスアップの成功に触発されて、トレーニングデータを増やすためのペアワイドミックスアップスキームを開発した。
  論文  参考訳（メタデータ） (2023-09-13T17:32:21Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
  逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。 本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
  論文  参考訳（メタデータ） (2022-03-12T02:22:58Z)
• Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
  本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。 提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
  論文  参考訳（メタデータ） (2022-01-17T10:49:49Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• FACT: A Diagnostic for Group Fairness Trade-offs [23.358566041117083]
  グループフェアネス(グループフェアネス、英: Group Fairness)とは、個人の異なる集団が保護された属性によってどのように異なる扱いを受けるかを測定するフェアネスの概念のクラスである。 グループフェアネスにおけるこれらのトレードオフを体系的に評価できる一般的な診断法を提案する。
  論文  参考訳（メタデータ） (2020-04-07T14:15:51Z)

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。