Fugu-MT 論文翻訳(概要): Increasing Fairness in Compromise on Accuracy via Weighted Vote with Learning Guarantees

論文の概要: Increasing Fairness in Compromise on Accuracy via Weighted Vote with Learning Guarantees

arxiv url: http://arxiv.org/abs/2301.10813v1
Date: Wed, 25 Jan 2023 20:31:06 GMT
ステータス: 処理完了
システム内更新日: 2023-01-27 15:04:12.321165
Title: Increasing Fairness in Compromise on Accuracy via Weighted Vote with Learning Guarantees
Title（参考訳）: 学習保証を伴う重み付け投票による正確性妥協の公平性向上
Authors: Yijun Bian, Kun Zhang
Abstract要約: 本稿では,二進二等分類と多等分類に適合する重み付き投票による期待値品質の新たな分析法を提案する。本稿では,支配とパレートの最適性の概念に基づくプルーニング手法を提案する。
参考スコア（独自算出の注目度）: 9.814114737627548
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: As the bias issue is being taken more and more seriously in widely applied machine learning systems, the decrease in accuracy in most cases deeply disturbs researchers when increasing fairness. To address this problem, we present a novel analysis of the expected fairness quality via weighted vote, suitable for both binary and multi-class classification. The analysis takes the correction of biased predictions by ensemble members into account and provides learning bounds that are amenable to efficient minimisation. We further propose a pruning method based on this analysis and the concepts of domination and Pareto optimality, which is able to increase fairness under a prerequisite of little or even no accuracy decline. The experimental results indicate that the proposed learning bounds are faithful and that the proposed pruning method can indeed increase ensemble fairness without much accuracy degradation.
Abstract（参考訳）: 偏りの問題は、広く応用された機械学習システムにおいてますます深刻に受け止められているため、精度の低下は、公平性を高める際に研究者を深く妨げている。そこで本研究では,二分分類と多クラス分類の両方に適合する重み付け投票による公平性評価の新たな分析法を提案する。この分析は、メンバーをアンサンブルすることでバイアス付き予測を補正し、効率的な最小化が可能な学習境界を提供する。さらに,本解析と支配とパレートの最適性の概念に基づく刈り取り手法を提案する。実験の結果,提案する学習境界は忠実であり,提案手法は精度を損なうことなくアンサンブルフェア性を高めることができることがわかった。

関連論文リスト

Finite-Sample and Distribution-Free Fair Classification: Optimal Trade-off Between Excess Risk and Fairness, and the Cost of Group-Blindness [14.421493372559762]
グループフェアネス制約下の二項分類におけるアルゴリズムフェアネスとグループブレンドネスの強制効果を定量化する。制御された過剰リスクを伴う分布自由かつ有限サンプルフェアネスを保証するフェア分類のための統一的なフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-21T20:04:17Z)
Intersectional Two-sided Fairness in Recommendation [41.96733939002468]
IFR(Inter-sectional Two-sided Fairness Recommendation)と呼ばれる新しいアプローチを提案する。提案手法は,不利な群を知覚するシャープネス・アウェア・ロスを利用して協調的損失バランスを用いて,異なる交叉群に対して一貫した識別能力を開発する。提案手法は, 両面の不公平性を効果的に軽減し, 従来手法よりも一貫して優れていた。
論文参考訳（メタデータ） (2024-02-05T08:56:24Z)
FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
論文参考訳（メタデータ） (2023-06-15T19:51:28Z)
Counterpart Fairness -- Addressing Systematic between-group Differences in Fairness Evaluation [17.495053606192375]
機械学習を用いて意思決定を行う場合、アルゴリズム上の決定が公平であり、特定の個人やグループに対して差別的でないことを保証することが重要である。既存のグループフェアネス手法は、人種や性別などの保護された変数によって規定されたグループ間で平等な結果を保証することを目的としている。グループ間の系統的な差異が結果に重要な役割を果たす場合、これらの手法は非保護変数の影響を見逃す可能性がある。
論文参考訳（メタデータ） (2023-05-29T15:41:12Z)
Individual Fairness under Uncertainty [26.183244654397477]
アルゴリズムフェアネス(英: Algorithmic Fairness)は、機械学習(ML)アルゴリズムにおいて確立された領域である。本稿では,クラスラベルの検閲によって生じる不確実性に対処する,個別の公正度尺度とそれに対応するアルゴリズムを提案する。この視点は、現実世界のアプリケーションデプロイメントにおいて、より現実的なフェアネス研究のモデルである、と我々は主張する。
論文参考訳（メタデータ） (2023-02-16T01:07:58Z)
Fairness in Matching under Uncertainty [78.39459690570531]
アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
論文参考訳（メタデータ） (2023-02-08T00:30:32Z)
Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
論文参考訳（メタデータ） (2022-11-11T11:28:46Z)
Conditional Supervised Contrastive Learning for Fair Text Classification [59.813422435604025]
対照的な学習を通してテキスト分類のための等化オッズとして知られる公平性の概念を満たす学習公正表現について研究する。具体的には、まず、公正性制約のある学習表現と条件付き教師付きコントラスト目的との間の関係を理論的に分析する。
論文参考訳（メタデータ） (2022-05-23T17:38:30Z)
Fair Federated Learning via Bounded Group Loss [37.72259706322158]
本稿では,実証的公正なフェデレーション学習のための一般的なフレームワークを提案する。我々は、有界群損失の概念を、群フェアネスに対する理論的に基底的なアプローチとして拡張する。提案手法の収束保証と結果の正当性保証を提供する。
論文参考訳（メタデータ） (2022-03-18T23:11:54Z)
Towards Equal Opportunity Fairness through Adversarial Learning [64.45845091719002]
逆行訓練は、自然言語処理におけるバイアス緩和の一般的なアプローチである。本稿では、よりリッチな特徴を生み出すために、ターゲットクラスをインプットとして利用する、対位訓練のための拡張判別器を提案する。
論文参考訳（メタデータ） (2022-03-12T02:22:58Z)
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)

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。