論文の概要: Learning Fair Classifiers with Partially Annotated Group Labels
- arxiv url: http://arxiv.org/abs/2111.14581v1
- Date: Mon, 29 Nov 2021 15:11:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 16:30:42.432824
- Title: Learning Fair Classifiers with Partially Annotated Group Labels
- Title（参考訳）: 部分注釈付きグループラベルを用いた公正分類器の学習
- Authors: Sangwon Jung, Sanghyuk Chun, Taesup Moon
- Abstract要約: 我々は、アノテーション付きグループラベル(FairPG)を用いたアルゴリズムフェアネスと呼ばれるより実践的なシナリオを考える。
フェアネスを意識した学習戦略に容易に適用可能な,簡易な補助グループ割当て(CGL)を提案する。
本手法は, フェアネス基準の観点から, バニラの擬似ラベル方式よりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 22.838927494573436
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, fairness-aware learning have become increasingly crucial, but we
note that most of those methods operate by assuming the availability of fully
annotated group-labels. We emphasize that such assumption is unrealistic for
real-world applications since group label annotations are expensive and can
conflict with privacy issues. In this paper, we consider a more practical
scenario, dubbed as Algorithmic Fairness with the Partially annotated Group
labels (Fair-PG). We observe that the existing fairness methods, which only use
the data with group-labels, perform even worse than the vanilla training, which
simply uses full data only with target labels, under Fair-PG. To address this
problem, we propose a simple Confidence-based Group Label assignment (CGL)
strategy that is readily applicable to any fairness-aware learning method. Our
CGL utilizes an auxiliary group classifier to assign pseudo group labels, where
random labels are assigned to low confident samples. We first theoretically
show that our method design is better than the vanilla pseudo-labeling strategy
in terms of fairness criteria. Then, we empirically show for UTKFace, CelebA
and COMPAS datasets that by combining CGL and the state-of-the-art
fairness-aware in-processing methods, the target accuracies and the fairness
metrics are jointly improved compared to the baseline methods. Furthermore, we
convincingly show that our CGL enables to naturally augment the given
group-labeled dataset with external datasets only with target labels so that
both accuracy and fairness metrics can be improved. We will release our
implementation publicly to make future research reproduce our results.
- Abstract（参考訳）: 近年、公正な学習がますます重要になっているが、これらの手法の多くは、完全に注釈付けされたグループラベルが利用できると仮定して運用されている。
グループラベルアノテーションは高価であり、プライバシー問題と衝突する可能性があるため、現実のアプリケーションではそのような仮定は非現実的であることを強調する。
本稿では,部分注釈付きグループラベル(Fair-PG)を用いたアルゴリズムフェアネスという,より実用的なシナリオについて考察する。
グループラベル付きデータのみを使用する既存のフェアネス法は,fair-pg下では,単に対象ラベルのみをフルデータとして使用するバニラトレーニングよりもさらに悪い結果が得られている。
この問題に対処するために,フェアネスを意識した任意の学習手法に適用可能な,シンプルな信頼に基づくグループラベル割り当て(CGL)戦略を提案する。
我々のCGLは、疑似グループラベルを割り当てる補助グループ分類器を使用し、ランダムラベルを低信頼度サンプルに割り当てる。
まず, 公平性基準の観点から, 提案手法がバニラ擬似ラベル戦略よりも優れていることを理論的に示す。
そして, UTKFace, CelebA, COMPASデータセットに対して, CGLと最先端のフェアネス対応のインプロセッシング手法を組み合わせることで, 目標精度とフェアネス指標をベースライン手法と比較して共同的に改善できることを実証的に示す。
さらに、我々のCGLは、与えられたグループラベル付きデータセットを、ターゲットラベルのみで自然に拡張することで、精度と公平性の両方を向上できることを示す。
今後の研究成果を再現するために、実装を公開します。
関連論文リスト
- Learn to be Fair without Labels: a Distribution-based Learning Framework for Fair Ranking [1.8577028544235155]
本研究では,未利用の公正度ラベルを対象の公正度分布に置き換えることにより,ラベルを必要としない分布ベースフェアラーニングフレームワーク(DLF)を提案する。
提案手法は,フェアネス関連トレードオフの制御性を高めつつ,フェアネス性能を向上する。
論文 参考訳（メタデータ） (2024-05-28T03:49:04Z) - Falcon: Fair Active Learning using Multi-armed Bandits [9.895979687746376]
本稿では,戦略サンプル選択による機械学習モデルの公平性向上を目的としたデータ中心型手法を提案する。
実験の結果、ファルコンはフェアネスと精度で既存のフェアアクティブな学習手法を著しく上回っていることがわかった。
特に、ファルコンだけが精度と公平性の間の適切なトレードオフをサポートしており、最大のフェアネススコアは2番目に高い結果よりも1.8-4.5倍高い。
論文 参考訳（メタデータ） (2024-01-23T12:48:27Z) - Channel-Wise Contrastive Learning for Learning with Noisy Labels [60.46434734808148]
チャネルワイド・コントラッシブ・ラーニング(CWCL)を導入し,真正なラベル情報とノイズを区別する。
従来のインスタンス単位のコントラスト学習(IWCL)とは異なり、CWCLはよりニュアンスでレジリエントな特徴を真のラベルと一致させる傾向にある。
まずCWCLを用いて、クリーンにラベル付けされたサンプルを識別し、次に、これらのサンプルを段階的に微調整する。
論文 参考訳（メタデータ） (2023-08-14T06:04:50Z) - Enhancing Label Sharing Efficiency in Complementary-Label Learning with
Label Augmentation [92.4959898591397]
学習中に近隣の事例における補完ラベルの暗黙的な共有を分析した。
相補的なラベル拡張による共有効率を向上させる新しい手法を提案する。
実験結果から,従来のCLLモデルよりも相補的ラベル拡張により経験的性能が向上することが確認された。
論文 参考訳（メタデータ） (2023-05-15T04:43:14Z) - GaussianMLR: Learning Implicit Class Significance via Calibrated
Multi-Label Ranking [0.0]
本稿では,ガウスMLRという新しい多ラベルランキング手法を提案する。
これは、正のラベルのランクを決定する暗黙のクラス重要性の値を学ぶことを目的としている。
提案手法は, 組み込まれた正のランク順の表現を正確に学習できることを示す。
論文 参考訳（メタデータ） (2023-03-07T14:09:08Z) - Dist-PU: Positive-Unlabeled Learning from a Label Distribution
Perspective [89.5370481649529]
本稿では,PU学習のためのラベル分布視点を提案する。
そこで本研究では,予測型と基底型のラベル分布間のラベル分布の整合性を追求する。
提案手法の有効性を3つのベンチマークデータセットで検証した。
論文 参考訳（メタデータ） (2022-12-06T07:38:29Z) - BARACK: Partially Supervised Group Robustness With Guarantees [29.427365308680717]
ニューラルネットワーク上での最悪のグループパフォーマンスを改善するためのフレームワークであるBARACKを提案する。
トレーニングデータの欠落したグループラベルを予測するためにモデルをトレーニングし、その上で、これらの予測されたグループラベルを頑健な最適化目標として使用する。
実験的な手法では, 1-33%のポイントにグループラベルがある場合でも, グループ情報を使用しないベースラインよりも優れている。
論文 参考訳（メタデータ） (2021-12-31T23:05:21Z) - Weakly Supervised Classification Using Group-Level Labels [12.285265254225166]
本稿では,グループレベルのバイナリラベルを,インスタンスレベルのバイナリ分類モデルの訓練に弱い監督力として利用する手法を提案する。
グループレベルのラベルを個別のインスタンスに対してクラス条件ノイズ(CCN)ラベルとしてモデル化し,強ラベル付きインスタンスでトレーニングされたモデルの予測を正規化するためにノイズラベルを使用する。
論文 参考訳（メタデータ） (2021-08-16T20:01:45Z) - Boosting Semi-Supervised Face Recognition with Noise Robustness [54.342992887966616]
本稿では,自動ラベルによるラベル雑音に対して頑健な半教師付き顔認識に対する効果的な解法を提案する。
そこで我々は,gnが強化するロバストな学習能力に基づく,ノイズロバスト学習ラベリング(nroll)という,半教師付き顔認識ソリューションを開発した。
論文 参考訳（メタデータ） (2021-05-10T14:43:11Z) - An Empirical Study on Large-Scale Multi-Label Text Classification
Including Few and Zero-Shot Labels [49.036212158261215]
大規模なMulti-label Text Classification (LMTC) は、幅広い自然言語処理 (NLP) アプリケーションを持つ。
Label-Wise Attention Networks (LWANs) を用いた最新のLMTCモデル
確率的ラベル木(PLT)に基づく階層的手法がLWANより優れていることを示す。
BERTとLWANを組み合わせた最先端手法を提案する。
論文 参考訳（メタデータ） (2020-10-04T18:55:47Z) - Social Adaptive Module for Weakly-supervised Group Activity Recognition [143.68241396839062]
本稿では、弱教師付きグループ活動認識(GAR)と呼ばれる新しいタスクを提案する。
従来のGARタスクとは違い、ビデオレベルラベルのみが利用可能であるが、トレーニングデータにおいても、各フレーム内の重要人物は提供されない。
これにより、大規模なNBAデータセットの収集とアノテートが容易になり、GARに新たな課題が生まれます。
論文 参考訳（メタデータ） (2020-07-18T16:40:55Z)
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。