論文の概要: Multiple Fairness and Cardinality constraints for Students-Topics Grouping Problem

• arxiv url: http://arxiv.org/abs/2206.09895v1
• Date: Mon, 20 Jun 2022 17:06:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-23 11:05:25.969867
• Title: Multiple Fairness and Cardinality constraints for Students-Topics Grouping Problem
• Title（参考訳）: 学生のマルチフェアネスと心的制約-トピックグループ問題
• Authors: Tai Le Quy, Gunnar Friege and Eirini Ntoutsi
• Abstract要約: グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。 我々は,学生を重複しないグループに分割するマルチフェア・キャパシタント(MFC)グループ問題を導入する。 そこで本研究では,グループ化のための手法とknapsackに基づく手法の2つのアプローチを提案する。
• 参考スコア（独自算出の注目度）: 14.051419173519308
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group work is a prevalent activity in educational settings, where students are often divided into topic-specific groups based on their preferences. The grouping should reflect the students' aspirations as much as possible. Usually, the resulting groups should also be balanced in terms of protected attributes like gender or race since studies indicate that students might learn better in a diverse group. Moreover, balancing the group cardinalities is also an essential requirement for fair workload distribution across the groups. In this paper, we introduce the multi-fair capacitated (MFC) grouping problem that fairly partitions students into non-overlapping groups while ensuring balanced group cardinalities (with a lower bound and an upper bound), and maximizing the diversity of members in terms of protected attributes. We propose two approaches: a heuristic method and a knapsack-based method to obtain the MFC grouping. The experiments on a real dataset and a semi-synthetic dataset show that our proposed methods can satisfy students' preferences well and deliver balanced and diverse groups regarding cardinality and the protected attribute, respectively.
• Abstract（参考訳）: グループワークは、学生が好みに基づいてトピック固有のグループに分けられる教育環境において一般的な活動である。 グループ化は可能な限り学生の願望を反映すべきである。 通常、結果のグループは、様々なグループで学生がより良く学ぶことを示唆しているため、性別や人種のような保護された属性の観点からバランスを取る必要がある。 さらに、群濃度のバランスは、群間での公平なワークロード分布に必須の要件である。 本稿では,学生を非重複グループに分割するマルチフェア容量化問題(mfc)を紹介し,バランスの取れた集団濃度(下限と上限)を確保しつつ,保護属性の観点から構成員の多様性を最大化する。 MFCグループ化のためのヒューリスティック手法とknapsackに基づく手法の2つのアプローチを提案する。 実データセットと半合成データセットを用いた実験により,提案手法が学生の嗜好を満足させ,濃度と保護属性に関するバランスよく多様なグループをそれぞれ提供できることを示した。

関連論文リスト

• A Canonical Data Transformation for Achieving Inter- and Within-group Fairness [17.820200610132265]
  同一グループ内から個人間の公平性を維持するグループ内公正性の形式的定義を導入する。 本稿では,グループ間の公正度基準とグループ内公正度基準の両方を満たすための事前処理フレームワークを提案する。 この枠組みをCompASリスクアセスメントとLaw Schoolのデータセットに適用し、その性能を正規化に基づく2つの手法と比較する。
  論文  参考訳（メタデータ） (2023-10-23T17:00:20Z)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• Fair and skill-diverse student group formation via constrained k-way graph partitioning [65.29889537564455]
  本研究は、公正かつ多様な学生グループ形成のための教師なしアルゴリズムを導入する。 学生のスキルセットは、ラプラシア固有写像を用いて、コースマークデータの教師なし次元削減を用いて決定される。 この問題は制約付きグラフ分割問題として定式化され、各グループのスキルセットの多様性が最大化される。
  論文  参考訳（メタデータ） (2023-01-12T14:02:49Z)
• Outlier-Robust Group Inference via Gradient Space Clustering [50.87474101594732]
  既存のメソッドは、最悪のグループのパフォーマンスを改善することができるが、それらは、しばしば高価で入手できないグループアノテーションを必要とする。 モデルパラメータの勾配の空間にデータをクラスタリングすることで,アウトレーヤの存在下でグループアノテーションを学習する問題に対処する。 そこで我々は,DBSCANのような標準クラスタリング手法に適合するように,マイノリティグループや外れ値に関する情報を保存しながら,勾配空間内のデータがより単純な構造を持つことを示す。
  論文  参考訳（メタデータ） (2022-10-13T06:04:43Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Fair-Capacitated Clustering [5.127121704630949]
  我々は、データを類似インスタンスのクラスタに分割する公平なクラスタリング問題を導入する。 本研究では,階層的クラスタリングとパーティショニングに基づくクラスタリングという2つのアプローチを提案する。 4つの教育データセットに関する実験では、公平性とカーディナリティの両面でバランスの取れたクラスタを提供するアプローチが示されています。
  論文  参考訳（メタデータ） (2021-04-25T09:39:39Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。