論文の概要: Fairness for AUC via Feature Augmentation

• arxiv url: http://arxiv.org/abs/2111.12823v1
• Date: Wed, 24 Nov 2021 22:32:19 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-29 14:22:07.304394
• Title: Fairness for AUC via Feature Augmentation
• Title（参考訳）: 機能拡張によるAUCの公正性
• Authors: Hortense Fong and Vineet Kumar and Anay Mehrotra and Nisheeth K. Vishnoi
• Abstract要約: 本研究では,受信機動作特性の曲線 (AUC) の下の領域で性能が測定される分類の文脈における公平さについて検討する。 識別可能なグループ間のバイアスを軽減するため,特徴増強(追加機能)に基づく新しいアプローチである FairAUC を開発した。
• 参考スコア（独自算出の注目度）: 25.819342066717002
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We study fairness in the context of classification where the performance is measured by the area under the curve (AUC) of the receiver operating characteristic. AUC is commonly used when both Type I (false positive) and Type II (false negative) errors are important. However, the same classifier can have significantly varying AUCs for different protected groups and, in real-world applications, it is often desirable to reduce such cross-group differences. We address the problem of how to select additional features to most greatly improve AUC for the disadvantaged group. Our results establish that the unconditional variance of features does not inform us about AUC fairness but class-conditional variance does. Using this connection, we develop a novel approach, fairAUC, based on feature augmentation (adding features) to mitigate bias between identifiable groups. We evaluate fairAUC on synthetic and real-world (COMPAS) datasets and find that it significantly improves AUC for the disadvantaged group relative to benchmarks maximizing overall AUC and minimizing bias between groups.
• Abstract（参考訳）: 本研究では,受信機動作特性の曲線 (AUC) の下の領域で性能が測定される分類の文脈における公平さについて検討する。 AUCは、I型(偽陽性)とII型(偽陰性)の両方のエラーが重要である場合に一般的に使用される。 しかし、同じ分類器は異なる保護群に対して著しく異なるAUCを持つことができ、現実のアプリケーションではそのようなグループ間差を減らすことが望ましい。 我々は、不利なグループに対して、AUCを大幅に改善するための追加機能の選択方法の問題に対処する。 以上の結果から, 特徴の非条件分散は, aucフェアネスを知らせるものではなく, クラス条件分散であることがわかった。 この接続を用いて、識別可能なグループ間のバイアスを軽減するため、特徴増強(追加機能)に基づく新しいアプローチである FairAUC を開発する。 合成および実世界(COMPAS)データセット上でfairAUCを評価し,ベンチマークによるAUC全体の最大化とグループ間のバイアスの最小化に比較して,AUCを著しく改善することを確認した。

関連論文リスト

• Fairness Hub Technical Briefs: AUC Gap [0.6827423171182154]
  偏りを測定するため、私たちはAUC Gapの使用を検討することを奨励します。 使用するAI/MLアルゴリズムとは無関係であり、任意のサブグループのモデルパフォーマンスの相違を捉えている。 チームは、低所得の中学校で数学の達成を2倍にするという共通の目標を追求するために、幅広いAI/MLモデルを使用している。
  論文  参考訳（メタデータ） (2023-09-20T19:53:04Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• Weakly Supervised AUC Optimization: A Unified Partial AUC Approach [53.59993683627623]
  本稿では,弱い教師付きAUC最適化問題に対する統一的なフレームワークであるWSAUCを提案する。 まず, 汚染された集合に対するAUCリスクを最小化するための共通定式化として, 各種弱教師付きシナリオにおけるAUC最適化問題を考察した。 次に, 汚染ラベルの存在下でのAUCの堅牢なトレーニング目標となる, 新しい部分的AUC, 特に逆部分的AUC (rpAUC) を導入する。
  論文  参考訳（メタデータ） (2023-05-23T17:11:33Z)
• Enhancing Personalized Ranking With Differentiable Group AUC Optimization [10.192514219354651]
  PDAOM損失(PDAOM loss)は、最大値違反を有するパーソナライズ可能なAUC最適化手法である。 提案したPDAOM損失は、オフライン評価におけるAUCとGAUCのメトリクスを改善するだけでなく、トレーニング対象の複雑さを低減する。 Meituanのフィードレコメンデーションアプリケーション「Guess What You Like」におけるPDAOM損失のオンライン評価では、クリック数が1.40%増加し、注文数が0.65%増加した。
  論文  参考訳（メタデータ） (2023-04-17T09:39:40Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Minimax AUC Fairness: Efficient Algorithm with Provable Convergence [35.045187964671335]
  実用性を維持しつつ,グループ内AUCとグループ間AUCの両方を組み込んだミニマックス学習・バイアス軽減フレームワークを提案する。 この枠組みに基づいて,効率的な最適化アルゴリズムを設計し,その最小グループレベルのAUCへの収束性を証明する。
  論文  参考訳（メタデータ） (2022-08-22T17:11:45Z)
• Attributing AUC-ROC to Analyze Binary Classifier Performance [13.192005156790302]
  本稿では,AUC-ROC(Area Under the Receiver Operating Characteristics Curve)を人間の解釈可能な次元に沿って分割する手法について議論する。 AUC-ROCはデータサンプル上の加算/線形関数ではないので、AUC-ROC全体のセグメント化はデータセグメントのAUC-ROCの集計とは異なる。
  論文  参考訳（メタデータ） (2022-05-24T04:42:52Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Feature Selection for Imbalanced Data with Deep Sparse Autoencoders Ensemble [0.5352699766206808]
  クラスの不均衡は、学習アルゴリズムの多くのドメインアプリケーションで一般的な問題です。 本稿では,Deep Sparse AutoEncoders Ensembleの再構成誤差に基づいて,フィルタFSアルゴリズムのランク付け機能を提案する。 サンプルサイズの異なる高次元データセットに対する実験において,本アルゴリズムの有効性を実証的に実証した。
  論文  参考訳（メタデータ） (2021-03-22T09:17:08Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Unsupervised Feature Learning by Cross-Level Instance-Group Discrimination [68.83098015578874]
  我々は、インスタンスグループ化ではなく、クロスレベルな識別によって、インスタンス間の類似性を対照的な学習に統合する。 CLDは、教師なし学習を、自然データや現実世界のアプリケーションに効果的に近づける。 セルフスーパービジョン、セミスーパービジョン、トランスファーラーニングベンチマークに関する新たな最先端技術は、報告されたすべてのパフォーマンスでMoCo v2とSimCLRを上回っている。
  論文  参考訳（メタデータ） (2020-08-09T21:13:13Z)

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。