論文の概要: Learning Fair Canonical Polyadical Decompositions using a Kernel
Independence Criterion
- arxiv url: http://arxiv.org/abs/2104.13504v1
- Date: Tue, 27 Apr 2021 23:16:10 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-29 12:58:27.814646
- Title: Learning Fair Canonical Polyadical Decompositions using a Kernel
Independence Criterion
- Title(参考訳): カーネル独立基準を用いた正準多型分解の学習
- Authors: Kevin Kim and Alex Gittens
- Abstract要約: 理論的および実証的に、潜在因子と感度特徴の間の小さなkhsicが近似統計パリティを保証することが示されている。
提案アルゴリズムは,合成データセットと実データ集合とのトレードオフ制御において,最先端のアルゴリズムであるFATRを超越する。
- 参考スコア(独自算出の注目度): 8.9598796481325
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work proposes to learn fair low-rank tensor decompositions by
regularizing the Canonical Polyadic Decomposition factorization with the kernel
Hilbert-Schmidt independence criterion (KHSIC). It is shown, theoretically and
empirically, that a small KHSIC between a latent factor and the sensitive
features guarantees approximate statistical parity. The proposed algorithm
surpasses the state-of-the-art algorithm, FATR (Zhu et al., 2018), in
controlling the trade-off between fairness and residual fit on synthetic and
real data sets.
- Abstract(参考訳): 本研究は、KHSIC(Hilbert-Schmidt independent criterion)を用いてカノニカルポリアディック分解分解を正規化することにより、公平な低ランクテンソル分解を学習することを提案する。
理論的および実証的に、潜在因子と感度特徴の間の小さなkhsicが近似統計パリティを保証することが示されている。
提案アルゴリズムは,合成データセットと実データセットに適合する残差とのトレードオフを制御するため,最先端のアルゴリズムであるFATR(Zhu et al., 2018)を超越する。
関連論文リスト
- Efficient Bound of Lipschitz Constant for Convolutional Layers by Gram
Iteration [122.51142131506639]
循環行列理論を用いて畳み込み層のスペクトルノルムに対して、精密で高速で微分可能な上界を導入する。
提案手法は, 精度, 計算コスト, スケーラビリティの観点から, 他の最先端手法よりも優れていることを示す。
これは畳み込みニューラルネットワークのリプシッツ正則化に非常に効果的であり、並行アプローチに対する競合的な結果である。
論文 参考訳(メタデータ) (2023-05-25T15:32:21Z) - Towards Efficient and Accurate Approximation: Tensor Decomposition Based
on Randomized Block Krylov Iteration [27.85452105378894]
本研究は, rBKI-TKに基づく階層テンソルリング分解を用いて, rBKI-TKを精度よく近似するタッカー分解(rBKI-TK)を設計し, 大規模データの効率的な圧縮を行う。
データ圧縮と復調の両方において,提案手法の効率性,精度,スケーラビリティを数値的に示す。
論文 参考訳(メタデータ) (2022-11-27T13:45:28Z) - Spectral Decomposition Representation for Reinforcement Learning [100.0424588013549]
本稿では, スペクトル分解表現法(SPEDER)を提案する。この手法は, データ収集ポリシーに急激な依存を生じさせることなく, ダイナミックスから状態-作用の抽象化を抽出する。
理論的解析により、オンライン設定とオフライン設定の両方において提案アルゴリズムのサンプル効率が確立される。
実験により、いくつかのベンチマークで現在の最先端アルゴリズムよりも優れた性能を示す。
論文 参考訳(メタデータ) (2022-08-19T19:01:30Z) - Perfect Spectral Clustering with Discrete Covariates [68.8204255655161]
本稿では,大規模なスパースネットワークのクラスにおいて,高い確率で完全クラスタリングを実現するスペクトルアルゴリズムを提案する。
本手法は,スペクトルクラスタリングによる一貫した潜在構造回復を保証する最初の方法である。
論文 参考訳(メタデータ) (2022-05-17T01:41:06Z) - Controlling the Complexity and Lipschitz Constant improves polynomial
nets [55.121200972539114]
多項式ネットの結合CP分解(CCP)モデルとNested Coupled CP分解(NCP)モデルに対する新しい複雑性境界を導出する。
本研究では、6つのデータセットで実験的に評価し、モデルが逆摂動に対して頑健であるとともに精度も向上することを示す。
論文 参考訳(メタデータ) (2022-02-10T14:54:29Z) - Hybrid Random Features [60.116392415715275]
ハイブリッドランダム特徴(HRF)と呼ばれるソフトマックスとガウス核の線形化のための新しいランダム特徴法を提案する。
HRFは、カーネル推定の品質を自動的に適応し、定義された関心領域の最も正確な近似を提供する。
論文 参考訳(メタデータ) (2021-10-08T20:22:59Z) - A useful criterion on studying consistent estimation in community
detection [0.0]
我々は,標準ネットワークにおける分離条件とErd"os-R'enyiランダムグラフのシャープしきい値を用いて一貫した推定を行う。
分離条件には矛盾する現象があり, コミュニティ検出では鋭い閾値がみられた。
その結果、エラー率を小さくし、コミュニティ数への依存を少なくし、ネットワークの疎結合性に対する要求を弱めることができた。
論文 参考訳(メタデータ) (2021-09-30T09:27:48Z) - Optimal policy evaluation using kernel-based temporal difference methods [78.83926562536791]
カーネルヒルベルト空間を用いて、無限水平割引マルコフ報酬過程の値関数を推定する。
我々は、関連するカーネル演算子の固有値に明示的に依存した誤差の非漸近上界を導出する。
MRP のサブクラスに対する minimax の下位境界を証明する。
論文 参考訳(メタデータ) (2021-09-24T14:48:20Z) - Statistical optimality conditions for compressive ensembles [7.766921168069532]
本研究では,高次元データの無作為圧縮を訓練した低複雑さ経験的リスク最小化器のアンサンブルの理論解析のための枠組みを提案する。
本稿では, 圧縮性の概念として, 余剰リスクに関する一般分布依存上界を導入する。
次に、ジョンソン-リンデンシュトラウス写像を圧縮スキームとして考慮し、この一般化を分類および回帰タスクに縛り付ける。
論文 参考訳(メタデータ) (2021-06-02T11:52:31Z) - Mode-wise Tensor Decompositions: Multi-dimensional Generalizations of
CUR Decompositions [9.280330114137778]
知通とファイバーCURの2つの主要なテンソルCUR近似における特性評価、摂動解析、および効率的なサンプリング戦略について検討する。
論文 参考訳(メタデータ) (2021-03-19T22:00:21Z) - A Unified Framework for Coupled Tensor Completion [42.19293115131073]
結合テンソル分解は、潜在結合因子に由来する事前知識を組み込むことで、結合データ構造を明らかにする。
TRは強力な表現能力を持ち、いくつかの多次元データ処理アプリケーションで成功している。
提案手法は, 合成データに関する数値実験で検証され, 実世界のデータに対する実験結果は, 回収精度の観点から, 最先端の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) (2020-01-09T02:15:46Z)
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。