論文の概要: EiFFFeL: Enforcing Fairness in Forests by Flipping Leaves
- arxiv url: http://arxiv.org/abs/2112.14435v1
- Date: Wed, 29 Dec 2021 07:48:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-30 14:46:03.327335
- Title: EiFFFeL: Enforcing Fairness in Forests by Flipping Leaves
- Title（参考訳）: EiFFFeL:葉をむくことで森林の公正性を高める
- Authors: Seyum Assefa Abebe, Claudio Lucchese, Salvatore Orlando
- Abstract要約: 落葉樹による森林の公正化を図るため,EiFFFeLと呼ばれる公正化手法を提案する。
実験結果から,提案手法は精度を低下させることなく,ユーザ定義したグループフェアネスの度合いを達成できることが示唆された。
- 参考スコア（独自算出の注目度）: 5.08078625937586
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Nowadays Machine Learning (ML) techniques are extensively adopted in many
socially sensitive systems, thus requiring to carefully study the fairness of
the decisions taken by such systems. Many approaches have been proposed to
address and to make sure there is no bias against individuals or specific
groups which might originally come from biased training datasets or algorithm
design. In this regard, we propose a fairness enforcing approach called
EiFFFeL:Enforcing Fairness in Forests by Flipping Leaves which exploits
tree-based or leaf-based post-processing strategies to relabel leaves of
selected decision trees of a given forest. Experimental results show that our
approach achieves a user defined group fairness degree without losing a
significant amount of accuracy.
- Abstract（参考訳）: 現在、機械学習(ml)技術は多くの社会に敏感なシステムで広く採用されており、そのようなシステムによって取られる決定の公平さを慎重に研究する必要がある。
偏りのあるトレーニングデータセットやアルゴリズム設計から生じる可能性のある個人や特定のグループに対してバイアスを発生させないために、多くのアプローチが提案されている。
そこで,本研究では,木質又は葉質を用いた後処理戦略を利用して,選択した森林の葉をレバーベットする「葉の葉の公正化」手法であるEeiFFFeLを提案する。
実験の結果,本手法は,精度を損なうことなく,ユーザが定義した集団公平度を達成できることがわかった。
関連論文リスト
- DynFrs: An Efficient Framework for Machine Unlearning in Random Forest [2.315324942451179]
DynFrsはランダムフォレストにおける効率的な機械学習を可能にするために設計されたフレームワークである。
実験では、DynfrsをExtremely Treesに適用すると、大幅に改善される。
論文 参考訳（メタデータ） (2024-10-02T14:20:30Z) - A New Random Forest Ensemble of Intuitionistic Fuzzy Decision Trees [5.831659043074847]
直観主義的ファジィ決定木(IFDT)のランダム森林アンサンブルを提案する。
提案手法は,ブートストラップサンプリングと特徴選択からランダム性のパワーを享受する。
本研究は,直観的ファジィ理論に基づくランダムな森林アンサンブルを提案する最初の試みである。
論文 参考訳（メタデータ） (2024-03-12T06:52:24Z) - Why do Random Forests Work? Understanding Tree Ensembles as
Self-Regularizing Adaptive Smoothers [68.76846801719095]
統計学で広く普及している偏りと分散還元に対する現在の高次二分法は、木のアンサンブルを理解するには不十分である、と我々は主張する。
森林は、通常暗黙的に絡み合っている3つの異なるメカニズムによって、樹木を改良できることを示す。
論文 参考訳（メタデータ） (2024-02-02T15:36:43Z) - Selective Knowledge Sharing for Privacy-Preserving Federated
Distillation without A Good Teacher [52.2926020848095]
フェデレーション学習は、ホワイトボックス攻撃に脆弱で、異種クライアントへの適応に苦慮している。
本稿では,選択的FD(Selective-FD)と呼ばれるFDのための選択的知識共有機構を提案する。
論文 参考訳（メタデータ） (2023-04-04T12:04:19Z) - When Do Curricula Work in Federated Learning? [56.88941905240137]
カリキュラム学習は非IID性を大幅に軽減する。
クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。
本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
論文 参考訳（メタデータ） (2022-12-24T11:02:35Z) - Contextual Decision Trees [62.997667081978825]
学習アンサンブルの1つの浅い木を特徴量ベースで選択するための,マルチアームのコンテキスト付きバンドレコメンデーションフレームワークを提案する。
トレーニングされたシステムはランダムフォレスト上で動作し、最終的な出力を提供するためのベース予測器を動的に識別する。
論文 参考訳（メタデータ） (2022-07-13T17:05:08Z) - 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) - Fairness-guided SMT-based Rectification of Decision Trees and Random
Forests [14.423550468823152]
提案手法は, 決定木やランダム林を, 特定のデータセット, 公平性基準, センシティブな属性に対して公平に変換する。
カリフォルニア大学アーバイン校の有名な成人データセットの実験では、FairRepairがリアルな決定木やランダムな森林にスケールすることを示した。
フェアネス誘導修復技術は、与えられた(不公平な)データセットから得られる決定木やランダムな森林を修復するので、組織における意思決定におけるバイアスを特定し、修正するのに役立ちます。
論文 参考訳（メタデータ） (2020-11-22T12:30:27Z) - Rectified Decision Trees: Exploring the Landscape of Interpretable and
Effective Machine Learning [66.01622034708319]
我々は,reDT(rerectified decision tree)と呼ばれる知識蒸留に基づく決定木拡張を提案する。
我々は,ソフトラベルを用いたトレーニングを可能にする標準決定木の分割基準と終了条件を拡張した。
次に,教師モデルから抽出したソフトラベルに基づいて,新しいジャックニフェ法を用いてReDTを訓練する。
論文 参考訳（メタデータ） (2020-08-21T10:45:25Z) - Learning Representations for Axis-Aligned Decision Forests through Input
Perturbation [2.755007887718791]
軸に整合した意思決定の森は、長い間機械学習アルゴリズムの主要なクラスでした。
広く使われていることと豊富な歴史にもかかわらず、現在の決定林は生の構造化データを消費することができない。
本稿では,意思決定林の表現学習を実現するための新しい,直感的な提案を提案する。
論文 参考訳（メタデータ） (2020-07-29T11:56:38Z)
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。