論文の概要: Explaining Algorithmic Fairness Through Fairness-Aware Causal Path Decomposition

• arxiv url: http://arxiv.org/abs/2108.05335v1
• Date: Wed, 11 Aug 2021 17:23:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-12 13:22:50.154691
• Title: Explaining Algorithmic Fairness Through Fairness-Aware Causal Path Decomposition
• Title（参考訳）: 公平性を考慮した因果経路分解によるアルゴリズムフェアネスの解説
• Authors: Weishen Pan, Sen Cui, Jiang Bian, Changshui Zhang, Fei Wang
• Abstract要約: 本稿では,モデルの相違点の同定問題について検討する。 特徴重要度を学習する既存の解釈方法とは異なり,特徴変数間の因果関係を考察する。 我々のフレームワークはまた、モデルに依存しないものであり、様々な量的格差の尺度に適用できる。
• 参考スコア（独自算出の注目度）: 37.823248189626014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic fairness has aroused considerable interests in data mining and machine learning communities recently. So far the existing research has been mostly focusing on the development of quantitative metrics to measure algorithm disparities across different protected groups, and approaches for adjusting the algorithm output to reduce such disparities. In this paper, we propose to study the problem of identification of the source of model disparities. Unlike existing interpretation methods which typically learn feature importance, we consider the causal relationships among feature variables and propose a novel framework to decompose the disparity into the sum of contributions from fairness-aware causal paths, which are paths linking the sensitive attribute and the final predictions, on the graph. We also consider the scenario when the directions on certain edges within those paths cannot be determined. Our framework is also model agnostic and applicable to a variety of quantitative disparity measures. Empirical evaluations on both synthetic and real-world data sets are provided to show that our method can provide precise and comprehensive explanations to the model disparities.
• Abstract（参考訳）: アルゴリズムの公正さは、最近データマイニングと機械学習コミュニティに大きな関心を呼んだ。 これまでの研究は主に、異なる保護グループ間でのアルゴリズムの格差を測定するための定量的なメトリクスの開発と、そのような格差を減らすためにアルゴリズムの出力を調整するアプローチに焦点を当ててきた。 本稿では,モデルの相違点の同定の問題点について検討する。 特徴量の重要性をよく学習する既存の解釈手法とは異なり,特徴変数間の因果関係を考察し,グラフ上の不明瞭な属性と最終予測をリンクする経路であるフェアネス・アウェア因果経路からの貢献の和に不一致を分解する新しい枠組みを提案する。 また、これらの経路内の特定の辺の方向が決定できない場合についても考察する。 また,この枠組みはモデル非依存であり,様々な量的格差対策に適用できる。 合成データと実世界のデータの両方について経験的評価を行い,本手法がモデルの相違に対して正確かつ包括的に説明できることを示す。

関連論文リスト

• Reconciling Heterogeneous Effects in Causal Inference [44.99833362998488]
  本稿では、機械学習におけるモデル乗法にReconcileアルゴリズムを適用し、因果推論における異種効果を再現する。 本研究の結果は,医療,保険,住宅などの高額な事業において,公正な成果の確保に有意な意味を持っている。
  論文  参考訳（メタデータ） (2024-06-05T18:43:46Z)
• Relevance-aware Algorithmic Recourse [3.6141428739228894]
  アルゴリズムのリコースは、予測モデルによる決定を明確にするためのツールとして現れます。 現在のアルゴリズム的リコース法では、すべてのドメイン値が等しく扱われるが、現実の環境では非現実的である。 本稿では、回帰タスクにアルゴリズム・リコースを適用する際に、関連性の概念を活用する新しいフレームワーク、Relevance-Aware Algorithmic Recourse (RAAR)を提案する。
  論文  参考訳（メタデータ） (2024-05-29T13:25:49Z)
• Unlock the Power of Algorithm Features: A Generalization Analysis for Algorithm Selection [25.29451529910051]
  本稿では,アルゴリズムの特徴に基づくアルゴリズム選択の証明可能な最初の保証を提案する。 アルゴリズムの特徴に関連する利点とコストを分析し、一般化誤差が様々な要因にどのように影響するかを考察する。
  論文  参考訳（メタデータ） (2024-05-18T17:38:25Z)
• Towards stable real-world equation discovery with assessing differentiating quality influence [52.2980614912553]
  一般的に用いられる有限差分法に代わる方法を提案する。 我々は,これらの手法を実問題と類似した問題に適用可能であること,および方程式発見アルゴリズムの収束性を確保する能力の観点から評価する。
  論文  参考訳（メタデータ） (2023-11-09T23:32:06Z)
• Causal Fairness Analysis [68.12191782657437]
  意思決定設定における公平性の問題を理解し、モデル化し、潜在的に解決するためのフレームワークを導入します。 我々のアプローチの主な洞察は、観測データに存在する格差の定量化と、基礎となる、しばしば観測されていない、因果的なメカニズムの収集を結びつけることである。 本研究は,文献中の異なる基準間の関係を整理し,説明するための最初の体系的試みであるフェアネスマップにおいて,本研究の成果を左右するものである。
  論文  参考訳（メタデータ） (2022-07-23T01:06:34Z)
• Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
  因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。 本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。 提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
  論文  参考訳（メタデータ） (2021-11-15T03:16:56Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Leveraging Unlabeled Data for Entity-Relation Extraction through Probabilistic Constraint Satisfaction [54.06292969184476]
  シンボリックドメイン知識の存在下でのエンティティ関係抽出の問題を研究する。 本手法では,論理文の正確な意味を捉える意味的損失を用いる。 低データ体制に焦点をあてて、セマンティックな損失がベースラインをはるかに上回ることを示す。
  論文  参考訳（メタデータ） (2021-03-20T00:16:29Z)
• Understanding and Mitigating Accuracy Disparity in Regression [34.63275666745179]
  回帰における精度格差問題について検討する。 そこで, 誤差分解定理を提案し, 限界ラベル分布間の距離に精度格差を分解する。 次に,この差分を減少させるアルゴリズムを提案し,提案した目的関数のゲーム理論的最適度を解析する。
  論文  参考訳（メタデータ） (2021-02-24T01:24:50Z)
• All of the Fairness for Edge Prediction with Optimal Transport [11.51786288978429]
  グラフにおけるエッジ予測の課題に対する公平性の問題について検討する。 本稿では,任意のグラフの隣接行列に対して,グループと個々の公正性のトレードオフを伴う埋め込み非依存の補修手順を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:33:13Z)

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。