Fugu-MT 論文翻訳(概要): fairadapt: Causal Reasoning for Fair Data Pre-processing

論文の概要: fairadapt: Causal Reasoning for Fair Data Pre-processing

arxiv url: http://arxiv.org/abs/2110.10200v1
Date: Tue, 19 Oct 2021 18:48:28 GMT
ステータス: 処理完了
システム内更新日: 2021-10-24 10:30:14.079002
Title: fairadapt: Causal Reasoning for Fair Data Pre-processing
Title（参考訳）: fairadapt: 公正データ前処理のための因果推論
Authors: Drago Ple\v{c}ko, Nicolas Bennett, Nicolai Meinshausen
Abstract要約: 因果推論前処理方式を実装したR-package fairadaptについて記述する。結果に対する感度特性から特定の因果経路が識別できないと仮定する適切な緩和について論じる。
参考スコア（独自算出の注目度）: 2.1915057426589746
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning algorithms are useful for various predictions tasks, but they can also learn how to discriminate, based on gender, race or other sensitive attributes. This realization gave rise to the field of fair machine learning, which aims to measure and mitigate such algorithmic bias. This manuscript describes the R-package fairadapt, which implements a causal inference pre-processing method. By making use of a causal graphical model and the observed data, the method can be used to address hypothetical questions of the form "What would my salary have been, had I been of a different gender/race?". Such individual level counterfactual reasoning can help eliminate discrimination and help justify fair decisions. We also discuss appropriate relaxations which assume certain causal pathways from the sensitive attribute to the outcome are not discriminatory.
Abstract（参考訳）: 機械学習アルゴリズムは、さまざまな予測タスクに有用であるが、性別、人種、その他のセンシティブな属性に基づいて、識別方法を学ぶこともできる。この実現は、アルゴリズムバイアスの測定と緩和を目的とした、公正な機械学習の分野を生み出した。因果推論前処理方式を実装したR-package fairadaptについて述べる。因果的グラフィカルモデルと観察されたデータを利用することで、この手法は「私の給料は何か、私は別の性別/人種であったのか?」という形の仮説的な疑問に対処することができる。このような個人レベルの反実的推論は差別を排除し、公正な判断を正当化するのに役立ちます。また,敏感な属性から結果への因果経路を想定した適切な緩和は差別的ではない。

関連論文リスト

What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
論文参考訳（メタデータ） (2024-04-16T22:47:59Z)
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)
Counterfactual Reasoning for Bias Evaluation and Detection in a Fairness under Unawareness setting [6.004889078682389]
現在のAI規制では、不公平な結果を防ぐために、アルゴリズムの意思決定プロセスで機密機能を破棄する必要がある。本稿では、機密機能が破棄された場合でも継続可能な機械学習モデルの潜在的な隠れバイアスを明らかにする方法を提案する。
論文参考訳（メタデータ） (2023-02-16T10:36:18Z)
D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文参考訳（メタデータ） (2022-08-10T03:41:48Z)
Understanding Unfairness in Fraud Detection through Model and Data Bias Interactions [4.159343412286401]
アルゴリズムの不公平性は、データ内のモデルとバイアスの間の相互作用に起因すると我々は主張する。フェアネスブラインドMLアルゴリズムが示す公平さと正確さのトレードオフに関する仮説を、異なるデータバイアス設定下で検討する。
論文参考訳（メタデータ） (2022-07-13T15:18:30Z)
Counterfactual Fairness with Partially Known Causal Graph [85.15766086381352]
本稿では,真の因果グラフが不明な場合に,対実フェアネスの概念を実現するための一般的な手法を提案する。特定の背景知識が提供されると、正の因果グラフが完全に知られているかのように、反ファクト的公正性を達成することができる。
論文参考訳（メタデータ） (2022-05-27T13:40:50Z)
Assessing Gender Bias in Predictive Algorithms using eXplainable AI [1.9798034349981162]
予測アルゴリズムは、医学や教育など様々な分野で利益をもたらす強力な可能性を秘めている。彼らは人間に存在する偏見と偏見を継承することができる。結果は、不公平な結果を生み出すエラーを体系的に繰り返すことができます。
論文参考訳（メタデータ） (2022-03-19T07:47:45Z)
Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文参考訳（メタデータ） (2022-01-17T10:49:49Z)
Statistical discrimination in learning agents [64.78141757063142]
統計的差別は、訓練人口のバイアスとエージェントアーキテクチャの両方の関数としてエージェントポリシーに現れる。我々は、リカレントニューラルネットワークを使用するエージェントによる差別の低減と、トレーニング環境のバイアスの低減が示される。
論文参考訳（メタデータ） (2021-10-21T18:28:57Z)
Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce Discrimination [53.3082498402884]
機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
論文参考訳（メタデータ） (2020-09-25T05:48:56Z)
Fairness-Aware Learning with Prejudice Free Representations [2.398608007786179]
本稿では,潜在性識別特徴を効果的に識別し,治療できる新しいアルゴリズムを提案する。このアプローチは、モデルパフォーマンスを改善するために差別のない機能を集めるのに役立つ。
論文参考訳（メタデータ） (2020-02-26T10:06:31Z)

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。