Fugu-MT 論文翻訳(概要): Statistical Guarantees for Fairness Aware Plug-In Algorithms

論文の概要: Statistical Guarantees for Fairness Aware Plug-In Algorithms

arxiv url: http://arxiv.org/abs/2107.12783v1
Date: Tue, 27 Jul 2021 12:51:33 GMT
ステータス: 処理完了
システム内更新日: 2021-07-28 14:54:54.230192
Title: Statistical Guarantees for Fairness Aware Plug-In Algorithms
Title（参考訳）: 正当性を考慮したプラグインアルゴリズムの統計的保証
Authors: Drona Khurana, Srinivasan Ravichandran, Sparsh Jain, Narayanan Unny Edakunni
Abstract要約: 公平性を考慮したバイナリ分類のためのベイズ最適性を推定するプラグインアルゴリズムが提案されている(Menon & Williamson, 2018)。我々は,プラグインアルゴリズムが統計的に一貫性があることを証明し,また,プラグインアルゴリズムによるベイズ最適学習に伴う有限標本保証を導出する。本稿では,プラグイン方式を改良したプロトコルを提案する。このプロトコルは,感度の高いバイナリ機能に対して,公平性と差分プライバシを同時に保証する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: A plug-in algorithm to estimate Bayes Optimal Classifiers for fairness-aware binary classification has been proposed in (Menon & Williamson, 2018). However, the statistical efficacy of their approach has not been established. We prove that the plug-in algorithm is statistically consistent. We also derive finite sample guarantees associated with learning the Bayes Optimal Classifiers via the plug-in algorithm. Finally, we propose a protocol that modifies the plug-in approach, so as to simultaneously guarantee fairness and differential privacy with respect to a binary feature deemed sensitive.
Abstract（参考訳）: フェアネス対応バイナリ分類のためのベイズ最適分類器を推定するプラグインアルゴリズムが(menon & williamson, 2018)提案されている。しかし、それらのアプローチの統計的有効性は確立されていない。プラグインアルゴリズムが統計的に一貫性があることを証明する。また,ベイズ最適分類器の学習に伴う有限サンプル保証をプラグインアルゴリズムにより導出する。最後に,プラグインアプローチを改良し,機密性の高い2値化機能に関して公平性と差分プライバシを同時に保証するプロトコルを提案する。

関連論文リスト

Differentially Private Fair Binary Classifications [1.8087157239832476]
まず,公平性保証のみで分類器を学習するアルゴリズムを提案する。次に、このアルゴリズムを改良して、差分プライバシーを取り入れます。アダルトカードとクレディカードのデータセットで行った実証的な評価は、我々のアルゴリズムが公正性の保証の観点から最先端のアルゴリズムよりも優れていることを示している。
論文参考訳（メタデータ） (2024-02-23T20:52:59Z)
Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
論文参考訳（メタデータ） (2023-05-24T13:44:02Z)
Efficient and Flexible Sublabel-Accurate Energy Minimization [62.50191141358778]
データと滑らかさの項からなるエネルギー関数のクラスを最小化する問題に対処する。既存の連続最適化手法は、サブラベル精度の高い解を見つけることができるが、大きなラベル空間では効率が良くない。本稿では,連続モデルと離散モデルの両方の最適特性を利用する効率的なサブラベル精度手法を提案する。
論文参考訳（メタデータ） (2022-06-20T06:58:55Z)
Fairness-Aware Naive Bayes Classifier for Data with Multiple Sensitive Features [0.0]
2-naive-Bayes (2NB) をN-naive-Bayes (NNB) に一般化し、データ中の2つのセンシティブなグループを仮定することの単純化を回避する。本稿では,複数の感度特徴を持つデータへの適用について検討し,差分フェアネスを強制する新しい制約・後処理ルーチンを提案する。
論文参考訳（メタデータ） (2022-02-23T13:32:21Z)
Adaptive Sampling for Heterogeneous Rank Aggregation from Noisy Pairwise Comparisons [85.5955376526419]
ランキングアグリゲーション問題では、各項目を比較する際に、様々な精度レベルが示される。本稿では,ノイズのあるペアワイズ比較によってアイテムのランクを推定する,除去に基づくアクティブサンプリング戦略を提案する。提案アルゴリズムは,商品の真のランキングを高い確率で返却できることを示す。
論文参考訳（メタデータ） (2021-10-08T13:51:55Z)
Pointwise Binary Classification with Pairwise Confidence Comparisons [97.79518780631457]
ペアワイズ比較(Pcomp)分類を提案し、ラベルのないデータのペアしか持たない。我々はPcomp分類をノイズラベル学習に結びつけて、進歩的UREを開発し、一貫性の正則化を課すことにより改善する。
論文参考訳（メタデータ） (2020-10-05T09:23:58Z)
Transparency Tools for Fairness in AI (Luskin) [12.158766675246337]
我々は,AIアルゴリズムにおける公平さと偏見を評価し,補正するための新しいツールを提案する。 3つのツールは以下のとおりである。 - 保護された特徴とフィルタの選択に関して、"制御された公平性"と呼ばれる新しい公平性の定義。それらは様々なバイアスの次元を理解するのに有用であり、実際、アルゴリズムは新しいデータでテストした場合、与えられた観測されたバイアスを減らすのに効果的である。
論文参考訳（メタデータ） (2020-07-09T00:21:54Z)
Consistency of Anchor-based Spectral Clustering [0.0]
アンカーベースの手法は、スペクトルクラスタリングアルゴリズムの計算複雑性を低減する。厳密な分析が可能であり,実践に有効であることを示す。我々はChenとCaiの最先端のLCC法と競合することが判明した。
論文参考訳（メタデータ） (2020-06-24T18:34:41Z)
Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文参考訳（メタデータ） (2020-06-15T10:08:39Z)
Classification with Valid and Adaptive Coverage [11.680355561258427]
コンフォーマル推論、クロスバリデーション+、およびJackknife+は、事実上あらゆる機械学習アルゴリズムと組み合わせることができるホールドアウトメソッドである。我々はこれらの手法の特殊バージョンを分類的・非順序対応ラベルとして開発する。
論文参考訳（メタデータ） (2020-06-03T21:42:04Z)
Pairwise Supervised Hashing with Bernoulli Variational Auto-Encoder and Self-Control Gradient Estimator [62.26981903551382]
バイナリ潜在変数を持つ変分自動エンコーダ(VAE)は、文書検索の精度の観点から最先端のパフォーマンスを提供する。本稿では、クラス内類似度とクラス間類似度に報いるために、個別潜伏型VAEを用いたペアワイズ損失関数を提案する。この新しいセマンティックハッシュフレームワークは、最先端技術よりも優れたパフォーマンスを実現する。
論文参考訳（メタデータ） (2020-05-21T06:11:33Z)

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。