論文の概要: Normalise for Fairness: A Simple Normalisation Technique for Fairness in
Regression Machine Learning Problems
- arxiv url: http://arxiv.org/abs/2202.00993v1
- Date: Wed, 2 Feb 2022 12:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-03 19:33:44.442739
- Title: Normalise for Fairness: A Simple Normalisation Technique for Fairness in
Regression Machine Learning Problems
- Title（参考訳）: フェアネスの正規化:回帰機械学習問題におけるフェアネスの簡易正規化手法
- Authors: Mostafa M. Mohamed, Bj\"orn W. Schuller
- Abstract要約: 回帰問題における不公平さの影響を最小限に抑えるため, 正規化(FaiReg)に基づく簡易かつ効果的な手法を提案する。
本手法を,データバランシングと対向訓練という,公正性のための2つの標準的な手法と比較する。
その結果、データバランスよりも不公平さの影響を低減し、また、元の問題の性能を低下させることなく、優れた性能を示した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithms and Machine Learning (ML) are increasingly affecting everyday life
and several decision-making processes, where ML has an advantage due to
scalability or superior performance. Fairness in such applications is crucial,
where models should not discriminate their results based on race, gender, or
other protected groups. This is especially crucial for models affecting very
sensitive topics, like interview hiring or recidivism prediction. Fairness is
not commonly studied for regression problems compared to binary classification
problems; hence, we present a simple, yet effective method based on
normalisation (FaiReg), which minimises the impact of unfairness in regression
problems, especially due to labelling bias. We present a theoretical analysis
of the method, in addition to an empirical comparison against two standard
methods for fairness, namely data balancing and adversarial training. We also
include a hybrid formulation (FaiRegH), merging the presented method with data
balancing, in an attempt to face labelling and sample biases simultaneously.
The experiments are conducted on the multimodal dataset First Impressions (FI)
with various labels, namely personality prediction and interview screening
score. The results show the superior performance of diminishing the effects of
unfairness better than data balancing, also without deteriorating the
performance of the original problem as much as adversarial training.
- Abstract（参考訳）: アルゴリズムと機械学習(ml)は、スケーラビリティや優れたパフォーマンスのためにmlが有利な、日常生活や意思決定プロセスにますます影響を与えています。
このようなアプリケーションの公正性は重要であり、モデルが人種、性別、その他の保護されたグループに基づいて結果を識別するべきではない。
これはインタビュー採用やリシビズム予測など、非常にセンシティブなトピックに影響を与えるモデルにとって特に重要です。
回帰問題に対する公平性は,二元分類問題と比較して一般に研究されていないため,特にラベル付けバイアスによる回帰問題における不公平性の影響を最小限に抑える,正規化(faireg)に基づく単純かつ効果的な手法を提案する。
本手法の理論的解析に加えて,データバランシングと対角訓練の2つの標準手法に対する実証的な比較を行った。
また,提案手法とデータバランシングを併用したハイブリッド定式化(FaiRegH)を併用して,ラベル付けとサンプルバイアスを同時に実現した。
実験は、パーソナリティ予測や面接スクリーニングスコアなど、さまざまなラベルのマルチモーダルデータセットファーストインプレッション(fi)を用いて実施した。
その結果、データバランスよりも不公平さの影響を低減し、また、元の問題の性能を敵の訓練ほど劣化させることなく、優れた性能を示した。
関連論文リスト
- Non-Invasive Fairness in Learning through the Lens of Data Drift [88.37640805363317]
データや学習アルゴリズムを変更することなく、機械学習モデルの公平性を向上する方法を示す。
異なる集団間の傾向のばらつきと、学習モデルと少数民族間の連続的な傾向は、データドリフトと類似している。
このドリフトを解決するための2つの戦略(モデル分割とリウィーディング)を探索し、基礎となるデータに対するモデル全体の適合性を改善することを目的としている。
論文 参考訳（メタデータ） (2023-03-30T17:30:42Z) - FairAdaBN: Mitigating unfairness with adaptive batch normalization and
its application to dermatological disease classification [14.589159162086926]
バッチ正規化をセンシティブ属性に適応させるFairAdaBNを提案する。
本研究では,FATE(Fairness-Accuracy Trade-off efficiency)と呼ばれる新しい指標を提案する。
2つの皮膚科学データセットを用いた実験により,提案手法はフェアネス基準とFATEの他の手法よりも優れていた。
論文 参考訳（メタデータ） (2023-03-15T02:22:07Z) - On Comparing Fair Classifiers under Data Bias [42.43344286660331]
本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。
我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
論文 参考訳（メタデータ） (2023-02-12T13:04:46Z) - Practical Approaches for Fair Learning with Multitype and Multivariate
Sensitive Attributes [70.6326967720747]
現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。
本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。
実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
論文 参考訳（メタデータ） (2022-11-11T11:28:46Z) - Systematic Evaluation of Predictive Fairness [60.0947291284978]
バイアス付きデータセットのトレーニングにおけるバイアスの緩和は、重要なオープンな問題である。
複数のタスクにまたがる様々なデバイアス化手法の性能について検討する。
データ条件が相対モデルの性能に強い影響を与えることがわかった。
論文 参考訳（メタデータ） (2022-10-17T05:40:13Z) - Bias-inducing geometries: an exactly solvable data model with fairness
implications [13.690313475721094]
我々は、正確に解決可能なデータ不均衡の高次元モデルを導入する。
この合成フレームワークで訓練された学習モデルの典型的特性を解析的に解き放つ。
フェアネス評価によく用いられる観測対象の正確な予測値を得る。
論文 参考訳（メタデータ） (2022-05-31T16:27:57Z) - FairIF: Boosting Fairness in Deep Learning via Influence Functions with
Validation Set Sensitive Attributes [51.02407217197623]
本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。
サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。
FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
論文 参考訳（メタデータ） (2022-01-15T05:14:48Z) - Fairness-aware Class Imbalanced Learning [57.45784950421179]
つぶやきの感情と職業分類のロングテール学習手法を評価する。
フェアネスを強制する手法により、マージンロスに基づくアプローチを拡張します。
論文 参考訳（メタデータ） (2021-09-21T22:16:30Z) - 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) - 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)
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。