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

• Demographic parity in regression and classification within the unawareness framework [8.057006406834466]
  2次損失を最小化する際の最適値回帰関数を特徴付ける。 また,最適公正コスト感性分類と最適公正回帰の関連性についても検討した。
  論文  参考訳（メタデータ） (2024-09-04T06:43:17Z)
• Covariance-corrected Whitening Alleviates Network Degeneration on Imbalanced Classification [6.197116272789107]
  クラス不均衡は画像分類において重要な問題であり、深層認識モデルの性能に大きな影響を及ぼす。 我々は、退化ソリューションを緩和するWhitening-Netと呼ばれる新しいフレームワークを提案する。 極端なクラス不均衡のシナリオでは、バッチ共分散統計は大きな変動を示し、白化操作の収束を妨げる。
  論文  参考訳（メタデータ） (2024-08-30T10:49:33Z)
• Fairness-Aware Meta-Learning via Nash Bargaining [63.44846095241147]
  本稿では,機械学習におけるグループレベルの公平性の問題に対処する2段階のメタ学習フレームワークを提案する。 第1段階では、過度な競合を解決するためにNash Bargaining Solution(NBS)を使用して、モデルをステアリングする。 6つのキーフェアネスデータセットと2つの画像分類タスクにおいて、様々なフェアネス目標に対して経験的効果を示す。
  論文  参考訳（メタデータ） (2024-06-11T07:34:15Z)
• Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
  我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。 因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。 因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
  論文  参考訳（メタデータ） (2024-05-24T11:19:52Z)
• 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)
• 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)
• 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)

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。