論文の概要: Balancing Fairness and Accuracy in Sentiment Detection using Multiple Black Box Models

• arxiv url: http://arxiv.org/abs/2204.10940v1
• Date: Fri, 22 Apr 2022 21:47:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-27 11:30:48.329767
• Title: Balancing Fairness and Accuracy in Sentiment Detection using Multiple Black Box Models
• Title（参考訳）: 複数のブラックボックスモデルを用いた感度検出におけるバランシングフェアネスと精度
• Authors: Abdulaziz A. Almuzaini, Vivek K. Singh
• Abstract要約: 我々は,複数のブラックボックスモデルから共同学習を行うことにより,良好な精度と公平性を確保できる「フレキシブルフェア回帰」手法を提案する。 結果は、複数のアプリケーションに対する公平で正確な感情検知のための道を開いた。
• 参考スコア（独自算出の注目度）: 4.590533239391236
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Sentiment detection is an important building block for multiple information retrieval tasks such as product recommendation, cyberbullying detection, and misinformation detection. Unsurprisingly, multiple commercial APIs, each with different levels of accuracy and fairness, are now available for sentiment detection. While combining inputs from multiple modalities or black-box models for increasing accuracy is commonly studied in multimedia computing literature, there has been little work on combining different modalities for increasing fairness of the resulting decision. In this work, we audit multiple commercial sentiment detection APIs for the gender bias in two actor news headlines settings and report on the level of bias observed. Next, we propose a "Flexible Fair Regression" approach, which ensures satisfactory accuracy and fairness by jointly learning from multiple black-box models. The results pave way for fair yet accurate sentiment detectors for multiple applications.
• Abstract（参考訳）: センチメント検出は、製品レコメンデーション、サイバーバブル検出、誤情報検出といった複数の情報検索タスクのための重要なビルディングブロックである。 当然のことながら、さまざまなレベルの精度と公平性を持つ複数の商用APIが、感情検出に利用できるようになった。 複数のモダリティやブラックボックスモデルからの入力を組み合わせることで精度を高めることはマルチメディア・コンピューティングの文献で一般的に研究されているが、結果の公平性を高めるために異なるモダリティを組み合わせる作業はほとんど行われていない。 本研究では,2つのアクターニュース見出し設定において,性バイアスに対する複数の商業感情検出APIを監査し,そのバイアスレベルについて報告する。 次に,複数のブラックボックスモデルから協調学習を行うことにより,良好な精度と公平性を確保する「フレキシブルフェア回帰」手法を提案する。 結果は、複数のアプリケーションに対する公平で正確な感情検知のための道を開いた。

関連論文リスト

• Enhancing Lie Detection Accuracy: A Comparative Study of Classic ML, CNN, and GCN Models using Audio-Visual Features [0.0]
  ポリグラフ検査の不正確さは、しばしば誤った信念、誤った情報、偏見につながる。 騙しを検出する方法として、顔の微小表現を解析する手法が登場した。 CNN Conv1Dマルチモーダルモデルは平均95.4%の精度を達成した。
  論文  参考訳（メタデータ） (2024-10-26T22:17:36Z)
• A Hitchhikers Guide to Fine-Grained Face Forgery Detection Using Common Sense Reasoning [9.786907179872815]
  視覚と言語の可能性は、いまだに偽造検出に過小評価されている。 顔偽造検出を視覚質問応答(VQA)タスクに変換する方法論が必要である。 このギャップに対処するために,従来の二項決定パラダイムから分岐する多段階的アプローチを提案する。
  論文  参考訳（メタデータ） (2024-10-01T08:16:40Z)
• A Comprehensive Library for Benchmarking Multi-class Visual Anomaly Detection [52.228708947607636]
  本稿では,新しい手法のモジュラーフレームワークであるADerを包括的視覚異常検出ベンチマークとして紹介する。 このベンチマークには、産業ドメインと医療ドメインからの複数のデータセットが含まれており、15の最先端メソッドと9つの包括的なメトリクスを実装している。 我々は,異なる手法の長所と短所を客観的に明らかにし,多クラス視覚異常検出の課題と今後の方向性について考察する。
  論文  参考訳（メタデータ） (2024-06-05T13:40:07Z)
• Detecting and Grounding Multi-Modal Media Manipulation and Beyond [93.08116982163804]
  マルチモーダルフェイクメディア(DGM4)の新たな研究課題について述べる。 DGM4は、マルチモーダルメディアの真正性を検出するだけでなく、操作されたコンテンツも検出することを目的としている。 本稿では,異なるモーダル間のきめ細かい相互作用を完全に捉えるために,新しい階層型マルチモーダルマニピュレーションrEasoning tRansformer(HAMMER)を提案する。
  論文  参考訳（メタデータ） (2023-09-25T15:05:46Z)
• Detecting and Grounding Multi-Modal Media Manipulation [32.34908534582532]
  マルチモーダルフェイクメディア(DGM4)の新たな研究課題について述べる。 DGM4は、マルチモーダルメディアの真正性を検出するだけでなく、操作されたコンテンツも検出することを目的としている。 本稿では,異なるモーダル間のきめ細かい相互作用を完全に捉えるために,新しい階層型マルチモーダルマニピュレーションrEasoning tRansformer(HAMMER)を提案する。
  論文  参考訳（メタデータ） (2023-04-05T16:20:40Z)
• Mitigating Representation Bias in Action Recognition: Algorithms and Benchmarks [76.35271072704384]
  ディープラーニングモデルは、稀なシーンやオブジェクトを持つビデオに適用すると、パフォーマンスが悪くなります。 この問題にはアルゴリズムとデータセットの2つの異なる角度から対処する。 偏りのある表現は、他のデータセットやタスクに転送するとより一般化できることを示す。
  論文  参考訳（メタデータ） (2022-09-20T00:30:35Z)
• Bias and Fairness on Multimodal Emotion Detection Algorithms [0.0]
  マルチモーダルアプローチがシステムのバイアスと公平性に与える影響について検討する。 テキストだけではバイアスが最小であり、モデルのパフォーマンスの大部分を占めています。
  論文  参考訳（メタデータ） (2022-05-11T20:03:25Z)
• Benchmarking Intent Detection for Task-Oriented Dialog Systems [6.54201796167054]
  Intent Detectionは、ユーザのテキスト入力の意図を予測してユーザタスクを達成する、現代の目標指向のダイアログシステムの鍵となるコンポーネントである。 堅牢で正確な意図検出モデルの設計には3つの大きな課題がある。 その結果,watson assistantの意図検出モデルは,他の商用ソリューションよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-12-07T18:58:57Z)
• Discriminative Nearest Neighbor Few-Shot Intent Detection by Transferring Natural Language Inference [150.07326223077405]
  データ不足を緩和するためには、ほとんどショットラーニングが注目を集めている。 深部自己注意を伴う識別的近傍分類を提示する。 自然言語推論モデル(NLI)を変換することで識別能力を高めることを提案する。
  論文  参考訳（メタデータ） (2020-10-25T00:39:32Z)
• Few-shot Learning for Multi-label Intent Detection [59.66787898744991]
  State-of-the-art work estimates label-instancelevance scores and using threshold to select multiple associated intent labels。 2つのデータセットの実験により、提案モデルが1ショットと5ショットの両方の設定において強いベースラインを著しく上回ることが示された。
  論文  参考訳（メタデータ） (2020-10-11T14:42:18Z)
• Efficient Intent Detection with Dual Sentence Encoders [53.16532285820849]
  本稿では,USE や ConveRT などの事前訓練された二重文エンコーダによるインテント検出手法を提案する。 提案するインテント検出器の有用性と適用性を示し,完全なBERT-Largeモデルに基づくインテント検出器よりも優れた性能を示す。 コードだけでなく、新しい挑戦的な単一ドメイン意図検出データセットもリリースしています。
  論文  参考訳（メタデータ） (2020-03-10T15:33:54Z)

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。