論文の概要: Fairness-aware Outlier Ensemble
- arxiv url: http://arxiv.org/abs/2103.09419v1
- Date: Wed, 17 Mar 2021 03:21:24 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-18 13:08:43.838184
- Title: Fairness-aware Outlier Ensemble
- Title（参考訳）: Fairness-aware Outlier Ensemble
- Authors: Haoyu Liu, Fenglong Ma, Shibo He, Jiming Chen, Jing Gao
- Abstract要約: 外れたアンサンブルメソッドは、大部分のデータと著しく異なるインスタンスの発見において、優れたパフォーマンスを示している。
公正さの意識がなければ、不正検出や司法判断システムといった倫理的シナリオにおける適用性は低下する可能性がある。
公平性を意識したアンサンブルフレームワークにより、アウトリーヤアンサンブル結果のバイアスを低減することを提案する。
- 参考スコア（独自算出の注目度）: 30.0516419408149
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Outlier ensemble methods have shown outstanding performance on the discovery
of instances that are significantly different from the majority of the data.
However, without the awareness of fairness, their applicability in the ethical
scenarios, such as fraud detection and judiciary judgement system, could be
degraded. In this paper, we propose to reduce the bias of the outlier ensemble
results through a fairness-aware ensemble framework. Due to the lack of ground
truth in the outlier detection task, the key challenge is how to mitigate the
degradation in the detection performance with the improvement of fairness. To
address this challenge, we define a distance measure based on the output of
conventional outlier ensemble techniques to estimate the possible cost
associated with detection performance degradation. Meanwhile, we propose a
post-processing framework to tune the original ensemble results through a
stacking process so that we can achieve a trade off between fairness and
detection performance. Detection performance is measured by the area under ROC
curve (AUC) while fairness is measured at both group and individual level.
Experiments on eight public datasets are conducted. Results demonstrate the
effectiveness of the proposed framework in improving fairness of outlier
ensemble results. We also analyze the trade-off between AUC and fairness.
- Abstract（参考訳）: 外れたアンサンブルメソッドは、大部分のデータと著しく異なるインスタンスの発見において、優れたパフォーマンスを示している。
しかし、公正さの意識がなければ、不正検出や司法判断システムなどの倫理的シナリオにおける適用性は低下する可能性がある。
本稿では,公平性に着目したアンサンブルフレームワークを用いて,アウトリアーアンサンブル結果のバイアスを低減することを提案する。
外乱検出タスクにおいて基底的真理が欠如しているため、重要な課題は、公正性の向上により検出性能の劣化を緩和する方法である。
この課題に対処するために,従来のアウトリアーアンサンブル手法の出力に基づく距離尺度を定義し,検出性能劣化に伴うコストを推定する。
一方,本研究では,初期アンサンブル結果の調整を行う後処理フレームワークを提案し,公正性と検出性能のトレードオフを実現する。
検出性能はROC曲線(AUC)下の領域で測定され、公平度はグループレベルと個人レベルで測定される。
8つの公開データセットの実験が行われた。
その結果,外乱アンサンブルの公平性を向上するためのフレームワークの有効性が示された。
また、AUCと公正のトレードオフを分析する。
関連論文リスト
- Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。
本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。
また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文 参考訳（メタデータ） (2023-10-09T11:44:50Z) - Self-Supervised Graph Transformer for Deepfake Detection [1.8133635752982105]
ディープフェイク検出手法は、与えられたデータセット内の偽造を認識できる有望な結果を示している。
ディープフェイク検出システムは、一般的な検出性能を保証するために、偽造タイプ、外観、品質に欠かせないままでいなければならない。
本研究では、自己教師付き事前学習モデルを利用して、例外的な一般化能力を実現するディープフェイク検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-07-27T17:22:41Z) - Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
公正な制約を課すための詳細なデータ拡張戦略を提案する。
グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。
提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
論文 参考訳（メタデータ） (2023-04-01T11:23:00Z) - Assessment of Treatment Effect Estimators for Heavy-Tailed Data [70.72363097550483]
ランダム化制御試験(RCT)における治療効果の客観的評価における中心的な障害は、その性能をテストするための基礎的真理(または検証セット)の欠如である。
この課題に対処するための新しいクロスバリデーションのような方法論を提供する。
本手法は,Amazonサプライチェーンに実装された709RCTに対して評価を行った。
論文 参考訳（メタデータ） (2021-12-14T17:53:01Z) - Deep Clustering based Fair Outlier Detection [19.601280507914325]
本稿では,統合深層クラスタリングと外乱検出を強化するために,インスタンスレベルの重み付き表現学習戦略を提案する。
我々のDCFOD法は, 異常検出において, 異常検出の妥当性と2種類のフェアネス概念の両面において, 常に優れた性能を達成している。
論文 参考訳（メタデータ） (2021-06-09T15:12:26Z) - WSSOD: A New Pipeline for Weakly- and Semi-Supervised Object Detection [75.80075054706079]
弱機能および半教師付きオブジェクト検出フレームワーク(WSSOD)を提案する。
エージェント検出器は、まず関節データセット上でトレーニングされ、弱注釈画像上で擬似境界ボックスを予測するために使用される。
提案フレームワークはPASCAL-VOC と MSCOCO のベンチマークで顕著な性能を示し,完全教師付き環境で得られたものと同等の性能を達成している。
論文 参考訳（メタデータ） (2021-05-21T11:58:50Z) - Confounding Feature Acquisition for Causal Effect Estimation [6.174721516017138]
我々は,この課題を因果推論のための特徴獲得の問題として捉えている。
我々のゴールは、効率的な平均治療効果の推定につながるサンプルにおいて、行方不明の共同創業者の固定的で既知のサブセットの取得値を優先順位付けすることです。
論文 参考訳（メタデータ） (2020-11-17T16:28:43Z) - Beyond Individual and Group Fairness [90.4666341812857]
本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。
我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
論文 参考訳（メタデータ） (2020-08-21T14:14:44Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - Fair Outlier Detection [5.320087179174425]
多値感性属性に対する公平な外乱検出の課題を考察する。
本手法は, 周辺部におけるオフレイア検出のための一般的なLOF定式化にインスパイアされたフェアオフレイア検出法であるFairLOFを提案する。
論文 参考訳（メタデータ） (2020-05-20T08:02:41Z)
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。