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
- MORL-Prompt: An Empirical Analysis of Multi-Objective Reinforcement
Learning for Discrete Prompt Optimization [49.60729578316884]
RLベースの手法は、ユーザーが指定した報酬関数の集合を最大化するプロンプトの探索に使用できる。
現在の技術は報酬関数の平均値の最大化に重点を置いており、必ずしも報酬間の均衡を達成するプロンプトに繋がるとは限らない。
本稿では,RLに基づく離散的なプロンプト最適化に,多目的最適化のためのいくつかの手法を適用する。
論文 参考訳(メタデータ) (2024-02-18T21:25:09Z) - 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) - Rethinking and Benchmarking Predict-then-Optimize Paradigm for
Combinatorial Optimization Problems [62.25108152764568]
多くのWebアプリケーションは、エネルギーコストを考慮したスケジューリング、Web広告の予算配分、ソーシャルネットワークでのグラフマッチングなど、最適化問題の解決に頼っている。
統一システムにおける予測と意思決定の性能について考察する。
我々は、現在のアプローチを包括的に分類し、既存の実験シナリオを統合する。
論文 参考訳(メタデータ) (2023-11-13T13:19:34Z) - 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 and multi-fidelity Bayesian optimization of laser-plasma
acceleration [0.0]
シミュレーションレーザープラズマ加速器の多目的最適化に関する最初の結果を示す。
多目的最適化は単目的最適化と同等かそれ以上に性能が優れていることが判明した。
シミュレーションの解像度とボックスサイズを動的に選択することで,最適化の計算コストを大幅に削減する。
論文 参考訳(メタデータ) (2022-10-07T12:09:09Z) - Joint Entropy Search for Multi-objective Bayesian Optimization [0.0]
本稿では,統合エントロピー探索(Joint Entropy Search)と呼ばれるBOのための情報理論獲得関数を提案する。
本稿では, ハイパーボリュームとその重み付き変種の観点から, 合成および実世界の諸問題に対するこの新しいアプローチの有効性を示す。
論文 参考訳(メタデータ) (2022-10-06T13:19:08Z) - 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) - Fair and Green Hyperparameter Optimization via Multi-objective and
Multiple Information Source Bayesian Optimization [0.19116784879310028]
FanG-HPOは、大規模なデータセット(別名情報ソース)のサブセットを使用して、精度と公正性の双方の安価な近似を得る。
実験では、2つのベンチマーク(フェアネス)データセットと2つの機械学習アルゴリズムが検討されている。
論文 参考訳(メタデータ) (2022-05-18T10:07:21Z) - 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。