論文の概要: FAIRLEARN:Configurable and Interpretable Algorithmic Fairness
- arxiv url: http://arxiv.org/abs/2111.08878v1
- Date: Wed, 17 Nov 2021 03:07:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-18 21:47:46.151009
- Title: FAIRLEARN:Configurable and Interpretable Algorithmic Fairness
- Title（参考訳）: FAIRLEARN:構成可能で解釈可能なアルゴリズムフェアネス
- Authors: Ankit Kulshrestha, Ilya Safro
- Abstract要約: トレーニングサンプルから生じるバイアスや、データサンプルに関する暗黙の仮定を緩和する必要がある。
最適化の異なる段階でバイアスを検出し緩和することで、学習アルゴリズムを公平にするために多くのアプローチが提案されている。
本稿では,ユーザの制約を最適化手順に組み込むことで,公平なアルゴリズムを生成するFAIRLEARN手順を提案する。
- 参考スコア（独自算出の注目度）: 1.2183405753834557
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The rapid growth of data in the recent years has led to the development of
complex learning algorithms that are often used to make decisions in real
world. While the positive impact of the algorithms has been tremendous, there
is a need to mitigate any bias arising from either training samples or implicit
assumptions made about the data samples. This need becomes critical when
algorithms are used in automated decision making systems that can hugely impact
people's lives.
Many approaches have been proposed to make learning algorithms fair by
detecting and mitigating bias in different stages of optimization. However, due
to a lack of a universal definition of fairness, these algorithms optimize for
a particular interpretation of fairness which makes them limited for real world
use. Moreover, an underlying assumption that is common to all algorithms is the
apparent equivalence of achieving fairness and removing bias. In other words,
there is no user defined criteria that can be incorporated into the
optimization procedure for producing a fair algorithm. Motivated by these
shortcomings of existing methods, we propose the FAIRLEARN procedure that
produces a fair algorithm by incorporating user constraints into the
optimization procedure. Furthermore, we make the process interpretable by
estimating the most predictive features from data. We demonstrate the efficacy
of our approach on several real world datasets using different fairness
criteria.
- Abstract（参考訳）: 近年のデータの急速な成長は、現実世界での意思決定によく使用される複雑な学習アルゴリズムの開発につながっている。
アルゴリズムの肯定的な影響は大きいが、トレーニングサンプルから生じるバイアスや、データサンプルに関する暗黙の仮定を緩和する必要がある。
このニーズは、アルゴリズムが人々の生活に大きな影響を与える自動意思決定システムで使用される場合に重要になる。
最適化の異なる段階でバイアスを検出し、緩和することで学習アルゴリズムを公平にする多くのアプローチが提案されている。
しかし、フェアネスの普遍的な定義が欠如しているため、これらのアルゴリズムはフェアネスの特定の解釈を最適化し、現実の用途に限定する。
さらに、すべてのアルゴリズムに共通する前提は、公平性を達成しバイアスを取り除くことの明らかな等価性である。
言い換えると、公正なアルゴリズムを作成するための最適化手順に組み込むことができるユーザー定義の基準は存在しない。
既存の手法の欠点に乗じて,ユーザ制約を最適化手順に組み込むことで,公平なアルゴリズムを生成するFAIRLEARN手順を提案する。
さらに,データから最も予測的な特徴を推定することで,プロセスを解釈可能にする。
異なる公平性基準を用いて,複数の実世界データセットに対するアプローチの有効性を実証する。
関連論文リスト
- Loss Balancing for Fair Supervised Learning [20.13250413610897]
指導的学習モデルは、貸付、大学入学、顔認識、自然言語処理など様々な領域で使用されている。
学習過程における不公平性予測に対処する様々な概念が提案されている(EL)。
論文 参考訳（メタデータ） (2023-11-07T04:36:13Z) - Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳（メタデータ） (2023-09-15T13:04:55Z) - Measuring, Interpreting, and Improving Fairness of Algorithms using
Causal Inference and Randomized Experiments [8.62694928567939]
本稿では,アルゴリズム決定の公平性を測り,解釈し,改善するためのMIIFフレームワークを提案する。
ランダム化実験を用いてアルゴリズムバイアスを測定し, 異なる処理, 異なる影響, 経済的価値の同時測定を可能にする。
また、ブラックボックスアルゴリズムの信念を正確に解釈し、蒸留する、説明可能な機械学習モデルを開発した。
論文 参考訳（メタデータ） (2023-09-04T19:45:18Z) - Human-Centric Multimodal Machine Learning: Recent Advances and Testbed
on AI-based Recruitment [66.91538273487379]
人間中心のアプローチでAIアプリケーションを開発する必要性には、ある程度のコンセンサスがある。
i)ユーティリティと社会的善、(ii)プライバシとデータ所有、(iii)透明性と説明責任、(iv)AIによる意思決定プロセスの公正性。
異種情報ソースに基づく現在のマルチモーダルアルゴリズムは、データ中の機密要素や内部バイアスによってどのように影響を受けるかを検討する。
論文 参考訳（メタデータ） (2023-02-13T16:44:44Z) - Stochastic Differentially Private and Fair Learning [7.971065005161566]
我々は、収束することが保証されるフェアラーニングのための最初の微分プライベートアルゴリズムを提供する。
われわれのフレームワークは、人口格差や均等化オッズなど、さまざまな公平さを許容できるほど柔軟である。
本アルゴリズムは,複数の(非バイナリ)機密属性を持つ非バイナリ分類タスクに適用可能である。
論文 参考訳（メタデータ） (2022-10-17T06:54:57Z) - Machine Learning for Online Algorithm Selection under Censored Feedback [71.6879432974126]
オンラインアルゴリズム選択(OAS)では、アルゴリズム問題クラスのインスタンスがエージェントに次々に提示され、エージェントは、固定された候補アルゴリズムセットから、おそらく最高のアルゴリズムを迅速に選択する必要がある。
SAT(Satisfiability)のような決定問題に対して、品質は一般的にアルゴリズムのランタイムを指す。
本研究では,OASのマルチアームバンディットアルゴリズムを再検討し,この問題に対処する能力について議論する。
ランタイム指向の損失に適応し、時間的地平線に依存しない空間的・時間的複雑さを維持しながら、部分的に検閲されたデータを可能にする。
論文 参考訳（メタデータ） (2021-09-13T18:10:52Z) - Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。
不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。
また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文 参考訳（メタデータ） (2021-04-14T14:20:22Z) - Individually Fair Gradient Boosting [86.1984206610373]
我々は、グラデーションブーストにおいて個人の公平性を強制するタスクを検討する。
アルゴリズムがグローバルに収束し、一般化することを示す。
また,アルゴリズムバイアスの影響を受けやすい3つのml問題に対するアルゴリズムの有効性を示す。
論文 参考訳（メタデータ） (2021-03-31T03:06:57Z) - Coping with Mistreatment in Fair Algorithms [1.2183405753834557]
教師付き学習環境におけるアルゴリズムの公平性を検討し,等価機会指標の分類器最適化の効果を検討する。
このバイアスを軽減するための概念的にシンプルな方法を提案する。
提案手法を厳密に解析し,その効果を示す実世界データセット上で評価する。
論文 参考訳（メタデータ） (2021-02-22T03:26:06Z) - Metrics and methods for a systematic comparison of fairness-aware
machine learning algorithms [0.0]
この研究はこの種の最も包括的なものである。
フェアネス、予測性能、キャリブレーション品質、28種類のモデリングパイプラインの速度を考慮に入れている。
また,フェアネスを意識したアルゴリズムは,予測力の低下を伴わずにフェアネスを誘導できることがわかった。
論文 参考訳（メタデータ） (2020-10-08T13:58:09Z) - Run2Survive: A Decision-theoretic Approach to Algorithm Selection based
on Survival Analysis [75.64261155172856]
生存分析(SA)は、自然に検閲されたデータをサポートし、アルゴリズムランタイムの分散モデルを学習するためにそのようなデータを使用する適切な方法を提供する。
我々は、アルゴリズム選択に対する洗練された決定論的アプローチの基礎として、そのようなモデルを活用し、Run2Surviveを疑う。
標準ベンチマークASlibによる広範な実験では、我々のアプローチは競争力が高く、多くの場合、最先端のASアプローチよりも優れていることが示されている。
論文 参考訳（メタデータ） (2020-07-06T15:20:17Z)
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。