論文の概要: Fair Wrapping for Black-box Predictions
- arxiv url: http://arxiv.org/abs/2201.12947v1
- Date: Mon, 31 Jan 2022 01:02:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-02 02:30:23.575839
- Title: Fair Wrapping for Black-box Predictions
- Title(参考訳): ブラックボックス予測のためのフェアラッピング
- Authors: Alexander Soen, Ibrahim Alabdulmohsin, Sanmi Koyejo, Yishay Mansour,
Nyalleng Moorosi, Richard Nock, Ke Sun, Lexing Xie
- Abstract要約: 予測を修飾するα木として定義したラッパー関数を学習する。
この修正は, アルファツリーの構成, 一般化, 解釈可能性, および修正された予測とオリジナル予測のKLの相違に関して, 魅力的な性質を有することを示す。
- 参考スコア(独自算出の注目度): 105.10203274098862
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: We introduce a new family of techniques to post-process ("wrap") a black-box
classifier in order to reduce its bias. Our technique builds on the recent
analysis of improper loss functions whose optimisation can correct any twist in
prediction, unfairness being treated as a twist. In the post-processing, we
learn a wrapper function which we define as an {\alpha}-tree, which modifies
the prediction. We provide two generic boosting algorithms to learn
{\alpha}-trees. We show that our modification has appealing properties in terms
of composition of{\alpha}-trees, generalization, interpretability, and KL
divergence between modified and original predictions. We exemplify the use of
our technique in three fairness notions: conditional value at risk, equality of
opportunity, and statistical parity; and provide experiments on several readily
available datasets.
- Abstract(参考訳): 我々は,そのバイアスを低減するために,ブラックボックス分類器を後処理(ラップ)する新しい手法群を紹介する。
提案手法は,予測のツイストを補正し,不公平性をツイストとして扱う不適切な損失関数の最近の解析に基づいている。
後処理では、予測を修飾するラッパー関数を {\alpha}-treeとして定義する。
我々は2つの一般的なブースティングアルゴリズムを学習する。
我々の修正は,{\alpha}-trees の構成,一般化,解釈可能性,kl の変形予測と元の予測の相違という点で魅力的な性質を持っている。
我々は,リスクの条件値,機会の平等,統計パリティの3つのフェアネス概念における我々の手法の使用を実証し,利用可能なデータセットについて実験を行った。
関連論文リスト
- What learning algorithm is in-context learning? Investigations with
linear models [87.91612418166464]
本稿では,トランスフォーマーに基づくインコンテキスト学習者が標準学習アルゴリズムを暗黙的に実装する仮説について検討する。
訓練された文脈内学習者は、勾配降下、隆起回帰、および正確な最小二乗回帰によって計算された予測値と密に一致していることを示す。
文脈内学習者がこれらの予測器とアルゴリズム的特徴を共有するという予備的証拠。
論文 参考訳(メタデータ) (2022-11-28T18:59:51Z) - Concordance based Survival Cobra with regression type weak learners [0.0]
弱学習者は異なる無作為生存木として捉え, 最適パラメータを求めるために, 右官能設定における一致度を最大化することを提案する。
提案した定式化では、Max-normとFrobeniusのノルムという2つの異なるノルムを用いて、テストデータセット内のクエリポイントからの予測の近接セットを見つける。
論文 参考訳(メタデータ) (2022-09-24T04:10:17Z) - Efficient and Differentiable Conformal Prediction with General Function
Classes [96.74055810115456]
本稿では,複数の学習可能なパラメータに対する共形予測の一般化を提案する。
本研究は, クラス内において, ほぼ有効な人口被覆率, ほぼ最適効率を実現していることを示す。
実験の結果,提案アルゴリズムは有効な予測セットを学習し,効率を著しく向上できることがわかった。
論文 参考訳(メタデータ) (2022-02-22T18:37:23Z) - Probabilistic Regression with Huber Distributions [6.681943980068051]
本稿では,ニューラルネットワークを用いて物体の位置と共分散行列を推定する確率論的手法について述べる。
提案手法は,外乱に対する堅牢性,ネットワーク出力に対する境界勾配,その他の望ましい特性を有するように設計されている。
本手法は,一般的なボディポーズと顔のランドマークデータセットを用いて評価し,非熱マップ法の性能を同等以上の性能で評価する。
論文 参考訳(メタデータ) (2021-11-19T16:12:15Z) - GIFAIR-FL: An Approach for Group and Individual Fairness in Federated
Learning [8.121462458089143]
本稿では,グループと個別設定を保持するアプローチである texttGIFAIR-FL を提案する。
非$i.i.d.$と強い凸設定で収束を示す。
既存のアルゴリズムと比較して,提案手法は精度が向上し,予測精度も優れていた。
論文 参考訳(メタデータ) (2021-08-05T17:13:43Z) - Multivariate Probabilistic Regression with Natural Gradient Boosting [63.58097881421937]
多変量予測分布の条件パラメータを非パラメトリックにモデル化したNatural Gradient Boosting (NGBoost) 手法を提案する。
提案手法は頑健で, 広範囲なチューニングを伴わず, 推定対象分布に対してモジュール構造であり, 既存の手法と比較して競争力がある。
論文 参考訳(メタデータ) (2021-06-07T17:44:49Z) - Causality-based Counterfactual Explanation for Classification Models [11.108866104714627]
本稿では,プロトタイプに基づく対実的説明フレームワーク(ProCE)を提案する。
ProCEは、カウンターファクトデータの特徴の根底にある因果関係を保存することができる。
さらに,提案手法を応用した多目的遺伝的アルゴリズムを考案した。
論文 参考訳(メタデータ) (2021-05-03T09:25:59Z) - Set Prediction without Imposing Structure as Conditional Density
Estimation [40.86881969839325]
本研究では,学習を条件密度推定として見ることにより,設定損失による学習の代替を提案する。
本フレームワークは, 深部エネルギーモデルに適合し, 勾配誘導サンプリングによる難易度を近似する。
我々のアプローチは、標準ベンチマークの以前のセット予測モデルと競合する。
論文 参考訳(メタデータ) (2020-10-08T16:49:16Z) - Evaluating Prediction-Time Batch Normalization for Robustness under
Covariate Shift [81.74795324629712]
我々は予測時間バッチ正規化と呼び、共変量シフト時のモデル精度とキャリブレーションを大幅に改善する。
予測時間バッチ正規化は、既存の最先端アプローチに相補的な利点をもたらし、ロバスト性を向上させることを示します。
この手法は、事前トレーニングと併用して使用すると、さまざまな結果が得られるが、より自然なタイプのデータセットシフトでは、パフォーマンスが良くないようだ。
論文 参考訳(メタデータ) (2020-06-19T05:08:43Z) - Regularizing Class-wise Predictions via Self-knowledge Distillation [80.76254453115766]
類似サンプル間の予測分布を解析する新しい正規化法を提案する。
これにより、単一のネットワークの暗黒知識(すなわち誤った予測に関する知識)を規則化する。
画像分類タスクにおける実験結果から, 単純だが強力な手法が一般化能力を大幅に向上することを示した。
論文 参考訳(メタデータ) (2020-03-31T06:03:51Z)
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。