論文の概要: Disparate Conditional Prediction in Multiclass Classifiers

• arxiv url: http://arxiv.org/abs/2206.03234v3
• Date: Thu, 31 Jul 2025 16:34:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-01 17:19:07.717753
• Title: Disparate Conditional Prediction in Multiclass Classifiers
• Title（参考訳）: 多クラス分類器における異なる条件予測
• Authors: Sivan Sabato, Eran Treister, Elad Yom-Tov,
• Abstract要約: 異なる条件予測尺度(DCP)を多クラス分類器に一般化する。 DCPは、分類器が最も近い共通基底線とは異なる条件付き予測確率で予測する集団の分数として定義される。 2つの異なる条件下でのマルチクラスDCPを推定するための新しい局所最適化手法を提案する。
• 参考スコア（独自算出の注目度）: 22.449347663780767
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose methods for auditing multiclass classifiers for fairness under multiclass equalized odds,by estimating the deviation from equalized odds when the classifier is not completely fair. We generalize to multiclass classifiers the measure of Disparate Conditional Prediction (DCP), originally suggested by Sabato & Yom-Tov (2020) for binary classifiers. DCP is defined as the fraction of the population for which the classifier predicts with conditional prediction probabilities that differ from the closest common baseline. We provide new local-optimization methods for estimating the multiclass DCPunder two different regimes,one in which the conditional confusion matrices for each protected sub-population are known, and one in which these cannot be estimated, for instance, because the classifier is inaccessible or because good-quality individual-level data is not available. These methods can be used to detect classifiers that likely treat a significant fraction of the population unfairly. Experiments demonstrate the accuracy of the methods. Code is provided at https://github.com/sivansabato/ DCPmulticlass.
• Abstract（参考訳）: 完全公平でない場合の等化奇数からの偏差を推定し,マルチクラス等化奇数の下での公平性の監査手法を提案する。 我々は、二項分類器に対してSabato & Yom-Tov (2020)によって提案されたDCP(Disparate Conditional Prediction)の尺度を多クラス分類器に一般化する。 DCPは、分類器が最も近い共通基底線とは異なる条件付き予測確率で予測する集団の分数として定義される。 保護されたサブポピュレーションごとに条件付き混乱行列が知られており、例えば、分類器がアクセス不能であったり、良質な個人レベルのデータが入手できないため、これらを推定できない2つの異なる状態下で、新しい局所最適化手法を提案する。 これらの方法は、人口のかなりの割合を不公平に扱う可能性のある分類器を検出するために使用できる。 実験は手法の精度を実証する。 コードはhttps://github.com/sivansabato/DCPmulticlassで提供されている。

関連論文リスト

• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Arbitrariness and Social Prediction: The Confounding Role of Variance in Fair Classification [31.392067805022414]
  異なる訓練されたモデル間での予測のばらつきは、公正なバイナリ分類における重要な、未探索のエラーの原因である。 実際には、いくつかのデータ例のばらつきは非常に大きいので、決定を効果的に任意にすることができる。 予測が任意である場合に分類を省略するアンサンブルアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2023-01-27T06:52:04Z)
• Realistic Evaluation of Transductive Few-Shot Learning [41.06192162435249]
  トランスダクティブ推論は、数ショットの学習で広く使われている。 推論における少数ショットタスクの問合せセット内における任意のクラス分布の効果について検討する。 我々は,3つの広く使用されているデータセットに対して,最先端のトランスダクティブ手法を実験的に評価した。
  論文  参考訳（メタデータ） (2022-04-24T03:35:06Z)
• 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)
• When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
  分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。 多様な分類課題にまたがってその効果を実証的に示す。
  論文  参考訳（メタデータ） (2021-09-28T02:55:42Z)
• Multi-Class Classification from Single-Class Data with Confidences [90.48669386745361]
  本稿では,損失/モデル/最適化非依存のリスク最小化フレームワークを提案する。 提案手法は, 与えられた信頼度が高ノイズであっても, 簡易な修正でベイズ整合性を示す。
  論文  参考訳（メタデータ） (2021-06-16T15:38:13Z)
• A Statistical Test for Probabilistic Fairness [11.95891442664266]
  不正な分類を検知するための統計的仮説テストを提案する。 理論的にも実証的にも,提案された試験が正しいことを示す。 さらに,提案フレームワークは,データの最も好ましい摂動を識別することにより,解釈可能性を提供する。
  論文  参考訳（メタデータ） (2020-12-09T00:20:02Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Fairness with Overlapping Groups [15.154984899546333]
  標準的なゴールは、複数の重なり合うグループ間での公平度メトリクスの平等を保証することである。 本稿では、確率論的人口分析を用いて、この標準公正分類問題を再考する。 提案手法は,既存のグループフェア分類手法を統一し,様々な非分解性性能指標と公正度尺度の拡張を可能にする。
  論文  参考訳（メタデータ） (2020-06-24T05:01:10Z)
• Classifier uncertainty: evidence, potential impact, and probabilistic treatment [0.0]
  本稿では,混乱行列の確率モデルに基づいて,分類性能指標の不確かさを定量化する手法を提案する。 我々は、不確実性は驚くほど大きく、性能評価を制限できることを示した。
  論文  参考訳（メタデータ） (2020-06-19T12:49:19Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。