論文の概要: Leveling Down in Computer Vision: Pareto Inefficiencies in Fair Deep Classifiers

• arxiv url: http://arxiv.org/abs/2203.04913v1
• Date: Wed, 9 Mar 2022 17:48:33 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-10 14:53:26.916882
• Title: Leveling Down in Computer Vision: Pareto Inefficiencies in Fair Deep Classifiers
• Title（参考訳）: コンピュータビジョンのレベルダウン:公正な深層分類器におけるパレート非効率性
• Authors: Dominik Zietlow, Michael Lohaus, Guha Balakrishnan, Matth\"aus Kleindessner, Francesco Locatello, Bernhard Sch\"olkopf, Chris Russell
• Abstract要約: コンピュータビジョンに既存の公平性アプローチを適用することにより、すべてのグループで分類器の性能を劣化させることで、公平性を向上させることが判明した。 本稿では,不備なグループのパフォーマンスを一意的に向上させる適応的拡張戦略を提案する。
• 参考スコア（独自算出の注目度）: 38.33762469290228
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Algorithmic fairness is frequently motivated in terms of a trade-off in which overall performance is decreased so as to improve performance on disadvantaged groups where the algorithm would otherwise be less accurate. Contrary to this, we find that applying existing fairness approaches to computer vision improve fairness by degrading the performance of classifiers across all groups (with increased degradation on the best performing groups). Extending the bias-variance decomposition for classification to fairness, we theoretically explain why the majority of fairness classifiers designed for low capacity models should not be used in settings involving high-capacity models, a scenario common to computer vision. We corroborate this analysis with extensive experimental support that shows that many of the fairness heuristics used in computer vision also degrade performance on the most disadvantaged groups. Building on these insights, we propose an adaptive augmentation strategy that, uniquely, of all methods tested, improves performance for the disadvantaged groups.
• Abstract（参考訳）: アルゴリズムの公平性は、アルゴリズムが精度が低い不利なグループの性能を改善するために、全体的な性能が低下するトレードオフの観点からしばしば動機付けられる。 それとは対照的に、コンピュータビジョンに既存のフェアネスアプローチを適用すると、すべてのグループで分類器の性能が低下し、公平性が向上する(最高のパフォーマンスグループでは劣化が増加する)。 低容量モデルのために設計されたフェアネス分類器の大部分が、コンピュータビジョンに共通するシナリオである高容量モデルを含む設定では使用すべきでない理由を理論的に説明する。 コンピュータビジョンで使われる公正なヒューリスティックの多くは、最も不利なグループのパフォーマンスを低下させることを示している。 そこで本研究では,これらの知見に基づいて,不利なグループのパフォーマンスを向上させるための適応的拡張戦略を提案する。

関連論文リスト

• FairDgcl: Fairness-aware Recommendation with Dynamic Graph Contrastive Learning [48.38344934125999]
  提案手法は,高品質なデータ拡張を実現し,コメンデーションフェアネスを改善する方法である。 具体的には,動的グラフ対逆学習フレームワークであるFairDgclを提案する。 FairDgclは、公正さと精度の両方を持つ拡張表現を同時に生成できることを示す。
  論文  参考訳（メタデータ） (2024-10-23T04:43:03Z)
• How does promoting the minority fraction affect generalization? A theoretical study of the one-hidden-layer neural network on group imbalance [64.1656365676171]
  グループ不均衡は経験的リスク最小化において既知の問題である。 本稿では,個々の集団がサンプルの複雑さ,収束率,平均および群レベルの試験性能に与える影響を定量化する。
  論文  参考訳（メタデータ） (2024-03-12T04:38:05Z)
• Learning Fair Ranking Policies via Differentiable Optimization of Ordered Weighted Averages [55.04219793298687]
  本稿では,学習からランクへの学習ループに,効率よく解ける公正ランキングモデルを組み込む方法について述べる。 特に,本論文は,OWA目標の制約された最適化を通じてバックプロパゲーションを行う方法を示す最初のものである。
  論文  参考訳（メタデータ） (2024-02-07T20:53:53Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Re-weighting Based Group Fairness Regularization via Classwise Robust Optimization [30.089819400033985]
  そこで本研究では,グループフェアネス尺度を学習目標に組み込むことにより,この2つの学習手法を統一する原理的手法を提案する。 我々は,各グループに対して適切な再重み付けを自動的に生成することにより,結果の目的を最小化する反復最適化アルゴリズムを開発した。 実験の結果,FairDROはスケーラブルで,多様なアプリケーションに容易に適用可能であることがわかった。
  論文  参考訳（メタデータ） (2023-03-01T12:00:37Z)
• Fair and Optimal Classification via Post-Processing [10.163721748735801]
  本稿では、分類問題における人口統計学の特質的トレードオフの完全な評価について述べる。 ランダム化および属性認識フェア分類器によって達成可能な最小誤差率は、ワッサーシュタイン・バリセンタ問題の最適値によって与えられることを示す。
  論文  参考訳（メタデータ） (2022-11-03T00:04:04Z)
• Improved Approximation for Fair Correlation Clustering [4.629694186457133]
  相関クラスタリングは教師なし機械学習におけるユビキタスパラダイムであり、不公平に対処することが大きな課題である。 そこで本研究では,データポイントが異なる保護グループに属しているフェア相関クラスタリングについて検討する。 本稿は,Ahmadi et al.とAhmadian et alの以前の研究の質保証を著しく一般化し,改善する。
  論文  参考訳（メタデータ） (2022-06-09T03:07:57Z)
• Repairing Regressors for Fair Binary Classification at Any Decision Threshold [8.322348511450366]
  同時にすべてのしきい値で公正なパフォーマンスを向上できることを示します。 本研究では,異なる保護群に対する分類の分布の類似度を捉える分布パリティの形式的尺度を導入する。 我々の主な成果は、最適輸送に基づく新しい後処理アルゴリズムを提案し、分散パリティを確実に最大化することである。
  論文  参考訳（メタデータ） (2022-03-14T20:53:35Z)
• Unsupervised Learning of Debiased Representations with Pseudo-Attributes [85.5691102676175]
  教師なし方式で,単純かつ効果的な脱バイアス手法を提案する。 特徴埋め込み空間上でクラスタリングを行い、クラスタリング結果を利用して疑似属性を識別する。 次に,非偏り表現を学習するために,クラスタベースの新しい重み付け手法を用いる。
  論文  参考訳（メタデータ） (2021-08-06T05:20:46Z)

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。