論文の概要: Towards Fairness-Aware Multi-Objective Optimization
- arxiv url: http://arxiv.org/abs/2207.12138v1
- Date: Fri, 22 Jul 2022 06:55:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-26 13:07:49.655676
- Title: Towards Fairness-Aware Multi-Objective Optimization
- Title(参考訳): 公平性を考慮した多目的最適化に向けて
- Authors: Guo Yu, Lianbo Ma, Wei Du, Wenli Du, Yaochu Jin
- Abstract要約: 本稿では,公正性の観点から多目的最適化の理解を深めることを目的としている。
フェアネスを考慮した多目的最適化の事例を示す。
公平性を意識した多目的最適化の課題と機会に対処する。
- 参考スコア(独自算出の注目度): 16.52921743851433
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent years have seen the rapid development of fairness-aware machine
learning in mitigating unfairness or discrimination in decision-making in a
wide range of applications. However, much less attention has been paid to the
fairness-aware multi-objective optimization, which is indeed commonly seen in
real life, such as fair resource allocation problems and data driven
multi-objective optimization problems. This paper aims to illuminate and
broaden our understanding of multi-objective optimization from the perspective
of fairness. To this end, we start with a discussion of user preferences in
multi-objective optimization and then explore its relationship to fairness in
machine learning and multi-objective optimization. Following the above
discussions, representative cases of fairness-aware multiobjective optimization
are presented, further elaborating the importance of fairness in traditional
multi-objective optimization, data-driven optimization and federated
optimization. Finally, challenges and opportunities in fairness-aware
multi-objective optimization are addressed. We hope that this article makes a
small step forward towards understanding fairness in the context of
optimization and promote research interest in fairness-aware multi-objective
optimization.
- Abstract(参考訳): 近年、広範囲のアプリケーションにおいて、意思決定における不公平さや差別を緩和するフェアネス対応機械学習の急速な発展が見られる。
しかし、公平なリソース割り当て問題やデータ駆動型多目的最適化問題など、実生活でよく見られるフェアネス対応多目的最適化にはあまり注意が払われていない。
本稿では,公平性の観点から多目的最適化の理解を照らし,広めることを目的とする。
この目的のために,多目的最適化におけるユーザの好みに関する議論から始め,機械学習と多目的最適化における公平性との関係を考察する。
以上の議論に続いて、従来の多目的最適化、データ駆動最適化、フェデレーション最適化において、フェアネスの重要性をさらに明らかにする。
最後に、公平性を考慮した多目的最適化の課題と機会に対処する。
本稿は、最適化の文脈における公平性を理解し、公正性に配慮した多目的最適化研究への関心を高めるために、少し前進することを願っている。
関連論文リスト
- Aligned Multi Objective Optimization [14.320569438197271]
機械学習の実践では、このような衝突が起こらないシナリオが数多く存在する。
近年のマルチタスク学習,強化学習,LLMsトレーニングの成果から,多種多様な関連タスクが,目的物間のパフォーマンスを同時に向上する可能性が示唆された。
我々は、アラインド多目的最適化フレームワークを導入し、この設定のための新しいアルゴリズムを提案し、それらの優れた性能の理論的保証を提供する。
論文 参考訳(メタデータ) (2025-02-19T20:50:03Z) - Evolution of Thought: Diverse and High-Quality Reasoning via Multi-Objective Optimization [14.346638764967357]
MLLM(Multi-modal large language model)は、複雑な推論タスクに適用されることが多い。
思考の進化 (EoT) は, 質の高い推論経路と多様な推論経路の両方を育むために提案される。
我々はEoTが他の競争ベースラインよりも優れた推論性能と効率を達成することを示す。
論文 参考訳(メタデータ) (2024-11-24T14:59:30Z) - Constrained Multi-objective Bayesian Optimization through Optimistic Constraints Estimation [10.77641869521259]
CMOBOは、原則的に実現可能な領域内の多目的最適化と、実現可能な領域の学習のバランスをとる。
理論的正当化と実証的証拠の両方を提供し、様々な合成ベンチマークや実世界の応用に対するアプローチの有効性を実証する。
論文 参考訳(メタデータ) (2024-11-06T03:38:00Z) - Optima: Optimizing Effectiveness and Efficiency for LLM-Based Multi-Agent System [75.25394449773052]
大規模言語モデル (LLM) に基づくマルチエージェントシステム (MAS) は協調的問題解決において顕著な可能性を示している。
通信効率の低下、スケーラビリティの低下、効果的なパラメータ更新方法の欠如などです。
本稿では,コミュニケーション効率とタスク効率を両立させ,これらの課題に対処する新しいフレームワークOptimaを提案する。
論文 参考訳(メタデータ) (2024-10-10T17:00:06Z) - Deep Pareto Reinforcement Learning for Multi-Objective Recommender Systems [60.91599969408029]
複数の目的を同時に最適化することは、レコメンデーションプラットフォームにとって重要なタスクです。
既存の多目的推薦システムは、そのような動的な関係を体系的に考慮していない。
論文 参考訳(メタデータ) (2024-07-04T02:19:49Z) - End-to-End Learning for Fair Multiobjective Optimization Under
Uncertainty [55.04219793298687]
機械学習における予測-Then-Forecast(PtO)パラダイムは、下流の意思決定品質を最大化することを目的としている。
本稿では,PtO法を拡張して,OWA(Nondifferentiable Ordered Weighted Averaging)の目的を最適化する。
この結果から,不確実性の下でのOWA関数の最適化とパラメトリック予測を効果的に統合できることが示唆された。
論文 参考訳(メタデータ) (2024-02-12T16:33:35Z) - Federated Multi-Level Optimization over Decentralized Networks [55.776919718214224]
エージェントが隣人としか通信できないネットワーク上での分散マルチレベル最適化の問題について検討する。
ネットワーク化されたエージェントが1つの時間スケールで異なるレベルの最適化問題を解くことができる新しいゴシップに基づく分散マルチレベル最適化アルゴリズムを提案する。
提案アルゴリズムは, ネットワークサイズと線形にスケーリングし, 各種アプリケーション上での最先端性能を示す。
論文 参考訳(メタデータ) (2023-10-10T00:21:10Z) - Backpropagation of Unrolled Solvers with Folded Optimization [55.04219793298687]
ディープネットワークにおけるコンポーネントとしての制約付き最適化モデルの統合は、多くの専門的な学習タスクに有望な進歩をもたらした。
1つの典型的な戦略はアルゴリズムのアンローリングであり、これは反復解法の操作による自動微分に依存している。
本稿では,非ロール最適化の後方通過に関する理論的知見を提供し,効率よく解けるバックプロパゲーション解析モデルを生成するシステムに繋がる。
論文 参考訳(メタデータ) (2023-01-28T01:50:42Z) - Multi-Objective Hyperparameter Optimization in Machine Learning -- An Overview [10.081056751778712]
本稿では,多目的ハイパーパラメータ最適化の基礎を導入し,応用MLにおけるその有用性を動機づける。
進化的アルゴリズムの領域とベイズ最適化の両方から、既存の最適化戦略を広範囲に調査する。
動作条件,予測時間,スパースネス,フェアネス,解釈可能性,ロバストネスなどの目的を考慮し,複数の特定のMLアプリケーションにおけるMOOの有用性を解説する。
論文 参考訳(メタデータ) (2022-06-15T10:23:19Z) - Leveraging Trust for Joint Multi-Objective and Multi-Fidelity
Optimization [0.0]
本稿では,ベイズ的多目的・多忠実度最適化(MOMF)に対する新しいアプローチについて検討する。
複数目的とデータソースの同時最適化を支援するために,信頼度基準の革新的利用を提案する。
本手法はプラズマ物理学や流体力学などの分野におけるシミュレーション問題の解法に適用可能である。
論文 参考訳(メタデータ) (2021-12-27T20:55:26Z) - An Analysis of Phenotypic Diversity in Multi-Solution Optimization [118.97353274202749]
マルチモーダル最適化は高い適合性ソリューションを生み出し、品質の多様性は遺伝的中立性に敏感ではない。
オートエンコーダは表現型特徴を自動的に発見するために使用され、品質の多様性を備えたさらに多様なソリューションセットを生成する。
論文 参考訳(メタデータ) (2021-05-10T10:39:03Z)
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。