Fugu-MT 論文翻訳(概要): Optimal Transport of Binary Classifiers to Fairness

論文の概要: Optimal Transport of Binary Classifiers to Fairness

arxiv url: http://arxiv.org/abs/2202.03814v1
Date: Tue, 8 Feb 2022 12:16:24 GMT
ステータス: 処理完了
システム内更新日: 2022-02-09 21:52:40.045993
Title: Optimal Transport of Binary Classifiers to Fairness
Title（参考訳）: バイナリ分類器の公平性への最適輸送
Authors: Maarten Buyl, Tijl De Bie
Abstract要約: 予測力と公平性の間の効果的なトレードオフを実現するために、最適輸送公正性(OTF)が利用できることを示す。実験により、OTFは予測力と公平性の間の効果的なトレードオフを達成することができることが示された。
参考スコア（独自算出の注目度）: 16.588468396705366
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Much of the past work on fairness in machine learning has focused on forcing the predictions of classifiers to have similar statistical properties for individuals of different demographics. Yet, such methods often simply perform a rescaling of the classifier scores and ignore whether individuals of different groups have similar features. Our proposed method, Optimal Transport to Fairness (OTF), applies Optimal Transport (OT) to take this similarity into account by quantifying unfairness as the smallest cost of OT between a classifier and any score function that satisfies fairness constraints. For a flexible class of linear fairness constraints, we show a practical way to compute OTF as an unfairness cost term that can be added to any standard classification setting. Experiments show that OTF can be used to achieve an effective trade-off between predictive power and fairness.
Abstract（参考訳）: 機械学習における公平性に関する過去の研究の多くは、分類器の予測を、異なる人口階層の個人に対して同様の統計的特性を持つことに重点を置いてきた。しかし、そのような方法は単に分類器のスコアを再スケーリングし、異なるグループの個人が類似した特徴を持っているかどうかを無視する。提案手法であるOTF(Optimal Transport to Fairness)は,この類似性を考慮に入れ,不公平さを,公平性制約を満たす任意のスコア関数と分類器間のOTの最小コストとして定量化する。線形公正性制約の柔軟なクラスに対しては、任意の標準分類設定に追加可能な不公平コスト項として OTF を計算する実践的な方法を示す。実験により、OTFは予測力と公平性の間の効果的なトレードオフを達成することができることが示された。

関連論文リスト

Distributionally Generative Augmentation for Fair Facial Attribute Classification [69.97710556164698]
Facial Attribute Classification (FAC) は広く応用されている。従来の手法で訓練されたFACモデルは、様々なデータサブポピュレーションにまたがる精度の不整合を示すことによって不公平である可能性がある。本研究は,付加アノテーションなしでバイアスデータ上で公正なFACモデルをトレーニングするための,新しい世代ベースの2段階フレームワークを提案する。
論文参考訳（メタデータ） (2024-03-11T10:50:53Z)
Evaluating the Fairness of Discriminative Foundation Models in Computer Vision [51.176061115977774]
本稿では,CLIP (Contrastive Language-Pretraining) などの差別基盤モデルのバイアス評価のための新しい分類法を提案する。そして、これらのモデルにおけるバイアスを緩和するための既存の手法を分類学に関して体系的に評価する。具体的には,ゼロショット分類,画像検索,画像キャプションなど,OpenAIのCLIPとOpenCLIPモデルをキーアプリケーションとして評価する。
論文参考訳（メタデータ） (2023-10-18T10:32:39Z)
Learning Fair Classifiers via Min-Max F-divergence Regularization [13.81078324883519]
公平な分類モデルを学ぶための新しい min-max F-divergence regularization フレームワークを提案する。 F分割測度は凸性と微分可能性特性を有することを示す。提案手法は, 精度と公平性のトレードオフに関して, 最先端の性能を実現するものであることを示す。
論文参考訳（メタデータ） (2023-06-28T20:42:04Z)
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)
How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。提案手法を3つの人気フェアネスデータセットで評価する。
論文参考訳（メタデータ） (2022-07-04T02:37:50Z)
Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文参考訳（メタデータ） (2022-01-17T10:49:49Z)
Fair Tree Learning [0.15229257192293202]
様々な最適化基準は、分類性能と公正度を組み合わせている。現在の公正決定木法は、分類タスクと公正度測定の両方において、一定の閾値を最適化するのみである。そこで本研究では,一様人口分布パリティと呼ばれるしきい値非依存の公平度尺度と,SCAFF – Splitting Criterion AUC for Fairnessと題する分割基準を提案する。
論文参考訳（メタデータ） (2021-10-18T13:40:25Z)
Fair Normalizing Flows [10.484851004093919]
FNF(Fair Normalizing Flows)は、学習された表現に対してより厳密な公正性を保証する新しい手法である。 FNFの主な利点は、その正確な確率計算により、潜在的に逆下流予測器の最大不公平性の保証が得られることである。我々は,FNFが様々なグループフェアネスの概念を強制する上での有効性を実験的に示すとともに,解釈可能性や伝達学習といった他の魅力的な特性も示す。
論文参考訳（メタデータ） (2021-06-10T17:35:59Z)
Addressing Fairness in Classification with a Model-Agnostic Multi-Objective Algorithm [33.145522561104464]
分類における公平性の目標は、人種や性別などのセンシティブな属性に基づいて個人のグループを識別しない分類器を学習することである。公正アルゴリズムを設計する1つのアプローチは、公正の概念の緩和を正規化項として使うことである。我々はこの性質を利用して、既存の緩和よりも証明可能な公正の概念を近似する微分可能な緩和を定義する。
論文参考訳（メタデータ） (2020-09-09T17:40:24Z)
Ensuring Fairness Beyond the Training Data [22.284777913437182]
トレーニング分布と摂動のクラスに対して公平な分類器を開発する。オンライン学習アルゴリズムに基づいて、公正で堅牢な解に収束する反復アルゴリズムを開発する。実験の結果, 正当性と正当性との間には, 本質的にトレードオフがあることが判明した。
論文参考訳（メタデータ） (2020-07-12T16:20:28Z)
SenSeI: Sensitive Set Invariance for Enforcing Individual Fairness [50.916483212900275]
まず、ある感度集合の不変性を強制する個別の公正性のバージョンを定式化する。次に,輸送型正規化器を設計し,個別の公平性を強制し,効率よく正規化器を最小化するためのアルゴリズムを開発する。
論文参考訳（メタデータ） (2020-06-25T04:31:57Z)

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。