Fugu-MT 論文翻訳(概要): Unaware Fairness: Hierarchical Random Forest for Protected Classes

論文の概要: Unaware Fairness: Hierarchical Random Forest for Protected Classes

arxiv url: http://arxiv.org/abs/2106.15767v1
Date: Wed, 30 Jun 2021 01:14:59 GMT
ステータス: 処理完了
システム内更新日: 2021-07-01 15:16:15.439737
Title: Unaware Fairness: Hierarchical Random Forest for Protected Classes
Title（参考訳）: ウナウェアフェアネス:保護クラスのための階層型ランダムフォレスト
Authors: Xian Li
Abstract要約: 本稿では,保護クラスを明示的に含まない階層型ランダム森林モデルを提案する。ボストン市警察のインタビュー記録から,提案モデルの有用性について分析した。
参考スコア（独自算出の注目度）: 14.476013296877555
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Procedural fairness has been a public concern, which leads to controversy when making decisions with respect to protected classes, such as race, social status, and disability. Some protected classes can be inferred according to some safe proxies like surname and geolocation for the race. Hence, implicitly utilizing the predicted protected classes based on the related proxies when making decisions is an efficient approach to circumvent this issue and seek just decisions. In this article, we propose a hierarchical random forest model for prediction without explicitly involving protected classes. Simulation experiments are conducted to show the performance of the hierarchical random forest model. An example is analyzed from Boston police interview records to illustrate the usefulness of the proposed model.
Abstract（参考訳）: 手続き的公正性は公的な関心事であり、人種、社会的地位、障害などの保護された階級に関する決定を行う際に論争を引き起こしている。いくつかの保護されたクラスは、人種の姓や位置といった安全なプロキシに基づいて推論することができる。したがって、関連するプロキシに基づいて予測された保護クラスを暗黙的に活用することは、この問題を回避し、単に決定を求めるための効率的なアプローチである。本稿では,保護クラスを明示的に含まない階層型ランダム森林モデルを提案する。階層的ランダム森林モデルの性能を示すためのシミュレーション実験を行った。例えば、ボストン警察のインタビュー記録から、提案モデルの有用性を説明するために分析される。

関連論文リスト

Causal Fair Machine Learning via Rank-Preserving Interventional Distributions [0.5062312533373299]
我々は、個人が架空の、規範的に望まれる(FiND)世界で等しければ、規範的に等しくなると定義する。本研究では,それが保持する特定のFiND世界を定義するために,ランク保存的介入分布を提案する。我々のワープアプローチは、最も差別された個人を効果的に識別し、不公平を緩和することを示します。
論文参考訳（メタデータ） (2023-07-24T13:46:50Z)
Measuring Equality in Machine Learning Security Defenses: A Case Study in Speech Recognition [56.69875958980474]
この研究は、学習したシステムを守るためのアプローチと、異なるサブ人口間でのセキュリティ防衛がパフォーマンス上の不平等をもたらす方法を検討する。提案された多くの手法は、虚偽の拒絶やロバストネストレーニングの不平等といった直接的な害を引き起こす可能性がある。本稿では, ランダム化スムースメントとニューラルリジェクションの2つの防御法の比較を行い, マイノリティ集団のサンプリング機構により, ランダム化スムースメントがより公平であることを見出した。
論文参考訳（メタデータ） (2023-02-17T16:19:26Z)
NaturalAdversaries: Can Naturalistic Adversaries Be as Effective as Artificial Adversaries? [61.58261351116679]
自然言語理解タスクのための2段階の逆例生成フレームワーク(NaturalAdversaries)を提案する。モデルパラメータへのアクセスレベルに基づいて、ブラックボックスとホワイトボックスの双方に適応可能である。以上の結果から,これらの対立はドメイン全体にわたって一般化され,ニューラルネットワーク分類モデルの堅牢性向上に向けた今後の研究への洞察が得られた。
論文参考訳（メタデータ） (2022-11-08T16:37:34Z)
Towards Fair Classification against Poisoning Attacks [52.57443558122475]
攻撃者が少数のサンプルを訓練データに挿入できる毒殺シナリオについて検討する。本稿では,従来の防犯手法に適合する汎用的かつ理論的に保証された枠組みを提案する。
論文参考訳（メタデータ） (2022-10-18T00:49:58Z)
SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
論文参考訳（メタデータ） (2022-04-11T14:42:54Z)
Cross-model Fairness: Empirical Study of Fairness and Ethics Under Model Multiplicity [10.144058870887061]
1つの予測器が等しく機能するモデルのグループからアドホックに選択された場合、個人は害を受ける可能性があると我々は主張する。これらの不公平性は実生活で容易に発見でき、技術的手段だけで緩和することは困難である可能性が示唆された。
論文参考訳（メタデータ） (2022-03-14T14:33:39Z)
Conclusive Local Interpretation Rules for Random Forests [6.570220157893279]
差別、性別の不平等、経済的損害といった重要な状況において、機械学習モデルは明確な解釈を提供する必要がある。説明としてルールを提供するランダムな森林固有の解釈手法であるLionForestsを紹介します。また, 感度解析と最先端技術との比較を含む実験を行い, その貢献を実証した。
論文参考訳（メタデータ） (2021-04-13T09:15:23Z)
Local Black-box Adversarial Attacks: A Query Efficient Approach [64.98246858117476]
アドリアックは、セキュリティに敏感なシナリオにおけるディープニューラルネットワークの適用を脅かしている。ブラックボックス攻撃における限られたクエリ内でのみクリーンな例の識別領域を摂動させる新しいフレームワークを提案する。攻撃成功率の高いブラックボックス摂動時のクエリ効率を大幅に改善できることを示すため,広範な実験を行った。
論文参考訳（メタデータ） (2021-01-04T15:32:16Z)
Latent Bandits Revisited [55.88616813182679]
潜伏盗賊問題は、学習エージェントが未知の離散潜伏状態に条件付けられた腕の報酬分布を知知する問題である。本稿では, 上位信頼境界(UCB)とトンプソンサンプリング(Thompson sample)の両方に基づいて, この設定のための一般的なアルゴリズムを提案する。我々はアルゴリズムの統一的な理論的解析を行い、遅延状態の数がアクションよりも小さい場合、古典的なバンディットポリシーよりも後悔度が低い。
論文参考訳（メタデータ） (2020-06-15T19:24:02Z)
Protecting Classifiers From Attacks. A Bayesian Approach [0.9449650062296823]
我々は,攻撃者の行動に関する正確な知識の欠如を,敵対的リスク分析を用いて考慮した代替的ベイズ的枠組みを提供する。本研究では, 近似ベイズ計算に基づくサンプリング手法を提案する。大規模問題に対して、微分可能な分類器を扱う際に使用できる代替のスケーラブルなアプローチを提案する。
論文参考訳（メタデータ） (2020-04-18T21:21:56Z)

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。