論文の概要: Fair learning with Wasserstein barycenters for non-decomposable
performance measures
- arxiv url: http://arxiv.org/abs/2209.00427v1
- Date: Thu, 1 Sep 2022 13:06:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-02 13:45:09.328695
- Title: Fair learning with Wasserstein barycenters for non-decomposable
performance measures
- Title(参考訳): 非可逆性評価のためのwasserstein barycentersによるフェアラーニング
- Authors: Solenne Gaucher and Nicolas Schreuder and Evgenii Chzhen
- Abstract要約: 本研究は,人口順の制約下での精度の最大化が,対応する回帰問題の解法と等価であることを示す。
この結果を線形屈折法分類尺度(例えば$rm F$-score、AM測度、平衡精度など)に拡張する。
- 参考スコア(独自算出の注目度): 8.508198765617198
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This work provides several fundamental characterizations of the optimal
classification function under the demographic parity constraint. In the
awareness framework, akin to the classical unconstrained classification case,
we show that maximizing accuracy under this fairness constraint is equivalent
to solving a corresponding regression problem followed by thresholding at level
$1/2$. We extend this result to linear-fractional classification measures
(e.g., ${\rm F}$-score, AM measure, balanced accuracy, etc.), highlighting the
fundamental role played by the regression problem in this framework. Our
results leverage recently developed connection between the demographic parity
constraint and the multi-marginal optimal transport formulation. Informally,
our result shows that the transition between the unconstrained problems and the
fair one is achieved by replacing the conditional expectation of the label by
the solution of the fair regression problem. Finally, leveraging our analysis,
we demonstrate an equivalence between the awareness and the unawareness setups
in the case of two sensitive groups.
- Abstract(参考訳): この研究は、階層パリティ制約の下での最適分類関数の基本的特徴を提供する。
認識フレームワークでは、古典的制約のない分類の場合と同様に、この公正性制約の下での精度の最大化は、対応する回帰問題の解法と等価であることを示す。
この結果を線形屈折法分類尺度(例えば${\rm F}$-score、AM測度、平衡精度など)に拡張する。
このフレームワークにおける回帰問題によって果たす基本的な役割を強調する。
本研究では,近年,人口統計学的パリティ制約とマルチマルジナル最適輸送定式との関連を生かした。
この結果から,不規則な問題と公正な問題との遷移は,公正回帰問題の解によってラベルの条件付き期待を置き換えることによって達成されることを示す。
最後に,本分析を活用し,2つの敏感なグループにおいて,認識と無意識設定の等価性を示す。
関連論文リスト
- Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳(メタデータ) (2023-11-03T21:19:59Z) - Balanced Classification: A Unified Framework for Long-Tailed Object
Detection [74.94216414011326]
従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。
本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。
BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
論文 参考訳(メタデータ) (2023-08-04T09:11:07Z) - Mean Parity Fair Regression in RKHS [43.98593032593897]
平均パリティ(MP)フェアネスという概念の下で,公平回帰問題を考察する。
再生カーネルヒルベルト空間(RKHS)を利用してこの問題に対処する。
効率よく実装でき、解釈可能なトレードオフを提供する、対応する回帰関数を導出する。
論文 参考訳(メタデータ) (2023-02-21T02:44:50Z) - A Fuzzy-set-based Joint Distribution Adaptation Method for Regression
and its Application to Online Damage Quantification for Structural Digital
Twin [1.3008516948825726]
そこで本研究では,まず,オンラインファジィ集合に基づく回帰のための共同分布適応法を提案する。
連続実数値ラベルをファジィセットを介してファジィクラスラベルに変換することにより、条件分布の相違を測定する。
提案手法と統合したオンライン損傷定量化の枠組みについて述べる。
論文 参考訳(メタデータ) (2022-11-03T13:09:08Z) - Calibrating Segmentation Networks with Margin-based Label Smoothing [19.669173092632]
現状のキャリブレーション損失に対する統一的制約最適化の視点を提供する。
これらの損失は、ロジット距離に等しい制約を課す線形ペナルティの近似と見なすことができる。
我々は不等式制約に基づく単純で柔軟な一般化を提案し、ロジット距離に制御可能なマージンを課す。
論文 参考訳(メタデータ) (2022-09-09T20:21:03Z) - An Intermediate-level Attack Framework on The Basis of Linear Regression [89.85593878754571]
本論文はECCVにおいて,いくつかのベースライン対向例の転送性を改善するため,中間レベルアタック(中間レベルアタック)を提案し,本研究を実質的に拡張するものである。
我々は,中間レベルの相違点(対角的特徴と良性的特徴)から,対角的例の分類的損失への直接的な線形写像の確立を提唱する。
1) 様々な線形回帰モデルがマッピングを確立するために考慮可能であること,2) 最終的に得られた中間レベル差の大きさが逆転率と線形に相関していること,3) ベースラインアタックを複数回実行することで,さらなる性能向上が達成できること,などが示される。
論文 参考訳(メタデータ) (2022-03-21T03:54:53Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z) - Joint Contrastive Learning for Unsupervised Domain Adaptation [20.799729748233343]
本稿では, 目標誤差に対して, より管理しやすくするために, 共同エラーを明示的に考慮する別の上限を提案する。
連立比較学習を導入し, 連立誤差の最小化に欠かせない, クラスレベルの識別的特徴を見出す。
2つの実世界のデータセットの実験では、JCLが最先端の手法より優れていることが示されている。
論文 参考訳(メタデータ) (2020-06-18T06:25:34Z) - GenDICE: Generalized Offline Estimation of Stationary Values [108.17309783125398]
重要なアプリケーションでは,効果的な推定が依然として可能であることを示す。
我々のアプローチは、定常分布と経験分布の差を補正する比率を推定することに基づいている。
結果として得られるアルゴリズム、GenDICEは単純で効果的である。
論文 参考訳(メタデータ) (2020-02-21T00:27:52Z) - Fair Correlation Clustering [92.15492066925977]
相関クラスタリングの近似アルゴリズムは,いくつかの重要なフェアネス制約の下で得られる。
相関クラスタリングに対する公平な解は、最先端の(不公平な)アルゴリズムと比較して、コストを抑えながら得られることを示す。
論文 参考訳(メタデータ) (2020-02-06T14:28:21Z)
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。