論文の概要: Algorithmic Fairness Verification with Graphical Models
- arxiv url: http://arxiv.org/abs/2109.09447v1
- Date: Mon, 20 Sep 2021 12:05:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-22 00:10:19.201358
- Title: Algorithmic Fairness Verification with Graphical Models
- Title（参考訳）: 図形モデルを用いたアルゴリズムフェアネス検証
- Authors: Bishwamittra Ghosh, Debabrota Basu, Kuldeep S. Meel
- Abstract要約: 本稿では,ベイズネットワークのような特徴間の相関を符号化する,FVGMと呼ばれる効率の良いフェアネス検証手法を提案する。
FVGMは、より多様なフェアネス向上アルゴリズムのファミリーに対して、正確でスケーラブルな評価をもたらすことを示す。
- 参考スコア（独自算出の注目度）: 24.8005399877574
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, machine learning (ML) algorithms have been deployed in
safety-critical and high-stake decision-making, where the fairness of
algorithms is of paramount importance. Fairness in ML centers on detecting bias
towards certain demographic populations induced by an ML classifier and
proposes algorithmic solutions to mitigate the bias with respect to different
fairness definitions. To this end, several fairness verifiers have been
proposed that compute the bias in the prediction of an ML classifier --
essentially beyond a finite dataset -- given the probability distribution of
input features. In the context of verifying linear classifiers, existing
fairness verifiers are limited by accuracy due to imprecise modelling of
correlations among features and scalability due to restrictive formulations of
the classifiers as SSAT or SMT formulas or by sampling. In this paper, we
propose an efficient fairness verifier, called FVGM, that encodes the
correlations among features as a Bayesian network. In contrast to existing
verifiers, FVGM proposes a stochastic subset-sum based approach for verifying
linear classifiers. Experimentally, we show that FVGM leads to an accurate and
scalable assessment for more diverse families of fairness-enhancing algorithms,
fairness attacks, and group/causal fairness metrics than the state-of-the-art.
We also demonstrate that FVGM facilitates the computation of fairness influence
functions as a stepping stone to detect the source of bias induced by subsets
of features.
- Abstract（参考訳）: 近年、機械学習(ml)アルゴリズムは、アルゴリズムの公平性が最重要視される安全クリティカルかつ高リスクな意思決定に展開されている。
MLの公平性は、ML分類器によって誘導される特定の人口集団に対するバイアスを検出することに集中し、異なる公平性の定義に対するバイアスを軽減するアルゴリズム的解を提案する。
この目的のために、入力特徴の確率分布を考慮し、ML分類器の予測におけるバイアスを計算するフェアネス検証器がいくつか提案されている。
線形分類器の検証の文脈では、既存の公正検証器は、SSATやSMTの式やサンプリングによる分類器の制限的な定式化による特徴とスケーラビリティの相関の不正確なモデリングによって、精度によって制限される。
本稿では,ベイズネットワークとしての特徴間の相関を符号化する,FVGMと呼ばれる効率の良いフェアネス検証器を提案する。
既存の検証器とは対照的に、FVGMは線形分類器を検証するための確率的部分集合-sumに基づくアプローチを提案する。
実験により,fvgmは,公平度向上アルゴリズム,公平性攻撃,グループ/causalフェアネス指標の多種多様なファミリーに対して,最先端よりも正確かつスケーラブルな評価を行うことができることを示した。
また,FVGMは,特徴のサブセットによって引き起こされるバイアス源を検出するためのステップストーンとして,公正影響関数の計算を容易にすることを実証した。
関連論文リスト
- Bayesian Estimation and Tuning-Free Rank Detection for Probability Mass Function Tensors [17.640500920466984]
本稿では,関節のPMFを推定し,そのランクを観測データから自動的に推定する新しい枠組みを提案する。
我々は、様々なモデルパラメータの後方分布を近似するために、変分推論(VI)に基づく決定論的解を導出し、さらに、変分推論(SVI)を利用して、VVIベースのアプローチのスケーラブルバージョンを開発する。
合成データと実映画レコメンデーションデータの両方を含む実験は、推定精度、自動ランク検出、計算効率の点で、VVIおよびSVIベースの手法の利点を示している。
論文 参考訳（メタデータ） (2024-10-08T20:07:49Z) - Optimal Group Fair Classifiers from Linear Post-Processing [10.615965454674901]
本稿では,グループフェアネス基準の統一されたファミリーの下でモデルバイアスを緩和するフェア分類のためのポストプロセッシングアルゴリズムを提案する。
与えられたベースモデルの出力スコアを、(予測された)グループのメンバシップの線形結合である「公正コスト」で再計算することで、公平性を達成する。
論文 参考訳（メタデータ） (2024-05-07T05:58:44Z) - LUCID-GAN: Conditional Generative Models to Locate Unfairness [1.5257247496416746]
本稿では,勾配に基づく逆設計の代わりに条件付き生成モデルを用いて標準入力を生成するLUCID-GANを提案する。
UCIアダルトデータセットとCompASデータセットのLUCID-GANを実験的に評価し、トレーニングデータへのアクセスを必要とせず、ブラックボックスモデルにおける非倫理的バイアスを検出することができることを示す。
論文 参考訳（メタデータ） (2023-07-28T10:37:49Z) - Learning Fair Classifiers via Min-Max F-divergence Regularization [13.81078324883519]
公平な分類モデルを学ぶための新しい min-max F-divergence regularization フレームワークを提案する。
F分割測度は凸性と微分可能性特性を有することを示す。
提案手法は, 精度と公平性のトレードオフに関して, 最先端の性能を実現するものであることを示す。
論文 参考訳（メタデータ） (2023-06-28T20:42:04Z) - Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。
軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。
我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文 参考訳（メタデータ） (2023-05-17T17:47:19Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳（メタデータ） (2023-03-06T17:19:23Z) - Domain Adaptation meets Individual Fairness. And they get along [48.95808607591299]
アルゴリズムフェアネスの介入は、機械学習モデルが分散シフトを克服するのに役立つことを示す。
特に,個人フェアネス(IF)の適切な概念を強制することで,MLモデルの分布外精度が向上することを示す。
論文 参考訳（メタデータ） (2022-05-01T16:19:55Z) - Efficient CDF Approximations for Normalizing Flows [64.60846767084877]
正規化フローの微分同相性に基づいて、閉領域上の累積分布関数(CDF)を推定する。
一般的なフローアーキテクチャとUCIデータセットに関する実験は,従来の推定器と比較して,サンプル効率が著しく向上したことを示している。
論文 参考訳（メタデータ） (2022-02-23T06:11:49Z) - Testing Group Fairness via Optimal Transport Projections [12.972104025246091]
提案試験は, 摂動に偏りを示すか, データのランダム性に起因するかを評価するための, 柔軟な, 解釈可能な, 統計的に厳密なツールである。
グループフェアネスを定義する複数の影響基準から生じる可能性のある統計的課題は、グループフェア確率モデルの集合に経験的測度を投影することによって、都合よく取り組まれる。
提案フレームワークは,複数属性の合成固有フェアネス仮説およびフェアネスの試験にも使用することができる。
論文 参考訳（メタデータ） (2021-06-02T10:51:39Z) - 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) - Saliency-based Weighted Multi-label Linear Discriminant Analysis [101.12909759844946]
複数ラベルの分類課題を解決するために,LDA(Linear Discriminant Analysis)の新たな変種を提案する。
提案手法は,個々の試料の重量を定義する確率モデルに基づく。
サリエンシに基づく重み付きマルチラベル LDA アプローチは,様々なマルチラベル分類問題の性能改善につながることが示されている。
論文 参考訳（メタデータ） (2020-04-08T19:40:53Z)
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。