論文の概要: On the Within-Group Discrimination of Screening Classifiers
- arxiv url: http://arxiv.org/abs/2302.00025v1
- Date: Tue, 31 Jan 2023 19:00:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-02 14:01:57.114434
- Title: On the Within-Group Discrimination of Screening Classifiers
- Title(参考訳): スクリーニング分類器の群内識別について
- Authors: Nastaran Okati, Stratis Tsirtsis and Manuel Gomez Rodriguez
- Abstract要約: 校正分類を用いたスクリーニング政策は,グループ内差別の過小評価に悩まされる可能性がある。
本稿では、動的プログラミングに基づく効率的な後処理アルゴリズムを導入し、その確率推定がグループ内単調性を満たすように、所定の校正分類器を変更する。
- 参考スコア(独自算出の注目度): 16.404065044314976
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Screening classifiers are increasingly used to identify qualified candidates
in a variety of selection processes. In this context, it has been recently
shown that, if a classifier is calibrated, one can identify the smallest set of
candidates which contains, in expectation, a desired number of qualified
candidates using a threshold decision rule. This lends support to focusing on
calibration as the only requirement for screening classifiers. In this paper,
we argue that screening policies that use calibrated classifiers may suffer
from an understudied type of within-group discrimination -- they may
discriminate against qualified members within demographic groups of interest.
Further, we argue that this type of discrimination can be avoided if
classifiers satisfy within-group monotonicity, a natural monotonicity property
within each of the groups. Then, we introduce an efficient post-processing
algorithm based on dynamic programming to minimally modify a given calibrated
classifier so that its probability estimates satisfy within-group monotonicity.
We validate our algorithm using US Census survey data and show that
within-group monotonicity can be often achieved at a small cost in terms of
prediction granularity and shortlist size.
- Abstract(参考訳): スクリーニング分類器は、様々な選択プロセスにおいて資格のある候補を特定するためにますます使われる。
この文脈では、分類器が校正された場合、期待して、しきい値決定規則を用いて所望の適格候補数を含む最小の候補を特定できることが最近示されている。
これにより、分類器をスクリーニングする唯一の要件としてキャリブレーションにフォーカスするサポートが提供される。
本稿では,校正された分類器を使用するスクリーニングポリシーが,グループ内差別の未熟なタイプに苦しむ可能性があることを論じる。
さらに、分類器が各群内の自然な単調性である内群単調性を満たすと、この種の識別は避けられると論じる。
次に,動的計画に基づく効率的な後処理アルゴリズムを導入し,その確率推定がグループ内単調性を満たすように,与えられた校正分類器を最小に修正する。
我々は,US Census Surveyデータを用いて本アルゴリズムを検証し,予測粒度とショートリストサイズの観点から,グループ内単調性が小さいコストで実現できることを示す。
関連論文リスト
- Mitigating Word Bias in Zero-shot Prompt-based Classifiers [55.60306377044225]
一致したクラス先行は、オラクルの上界性能と強く相関していることを示す。
また,NLPタスクに対するプロンプト設定において,一貫したパフォーマンス向上を示す。
論文 参考訳(メタデータ) (2023-09-10T10:57:41Z) - Class-Conditional Conformal Prediction with Many Classes [60.8189977620604]
類似した共形スコアを持つクラスをクラスタ化するクラスタ化共形予測法を提案する。
クラスタ化されたコンフォメーションは、クラス条件カバレッジとセットサイズメトリクスの点で、既存のメソッドよりも一般的に優れています。
論文 参考訳(メタデータ) (2023-06-15T17:59:02Z) - Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。
固体アンサンブル分類器を構築するためのプール選択戦略が提示される。
我々は異常検出手法の不確実性を利用する。
論文 参考訳(メタデータ) (2022-12-23T00:50:41Z) - Parametric Classification for Generalized Category Discovery: A Baseline
Study [70.73212959385387]
Generalized Category Discovery (GCD)は、ラベル付きサンプルから学習した知識を用いて、ラベルなしデータセットで新しいカテゴリを発見することを目的としている。
パラメトリック分類器の故障を調査し,高品質な監視が可能であった場合の過去の設計選択の有効性を検証し,信頼性の低い疑似ラベルを重要課題として同定する。
エントロピー正規化の利点を生かし、複数のGCDベンチマークにおける最先端性能を実現し、未知のクラス数に対して強いロバスト性を示す、単純で効果的なパラメトリック分類法を提案する。
論文 参考訳(メタデータ) (2022-11-21T18:47:11Z) - Fairness and Unfairness in Binary and Multiclass Classification: Quantifying, Calculating, and Bounding [22.449347663780767]
本稿では,分類器の公平性を定量的に分析できる,不公平性の新しい解釈可能な尺度を提案する。
分類器の条件付き乱雑行列が知られている場合に、この測度がどのように計算されるかを示す。
多様なアプリケーションを表すデータセットに関する実験を報告する。
論文 参考訳(メタデータ) (2022-06-07T12:26:28Z) - Improving Screening Processes via Calibrated Subset Selection [35.952153033163576]
私たちはCalibrated Subset Selection (CSS) と呼ばれる分布自由スクリーニングアルゴリズムを開発した。
CSSは、期待されている数の適格候補を含む候補のほぼ最適のショートリストを見つける。
米国国勢調査調査データの実験は、我々の理論結果を検証し、我々のアルゴリズムによって提供されるショートリストが、いくつかの競争基盤線によって提供されるものよりも優れていることを示す。
論文 参考訳(メタデータ) (2022-02-02T17:15:44Z) - When in Doubt: Improving Classification Performance with Alternating
Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。
CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。
多様な分類課題にまたがってその効果を実証的に示す。
論文 参考訳(メタデータ) (2021-09-28T02:55:42Z) - Fairness with Overlapping Groups [15.154984899546333]
標準的なゴールは、複数の重なり合うグループ間での公平度メトリクスの平等を保証することである。
本稿では、確率論的人口分析を用いて、この標準公正分類問題を再考する。
提案手法は,既存のグループフェア分類手法を統一し,様々な非分解性性能指標と公正度尺度の拡張を可能にする。
論文 参考訳(メタデータ) (2020-06-24T05:01:10Z) - Quantifying the Uncertainty of Precision Estimates for Rule based Text
Classifiers [0.0]
キーサブストリングの存在と欠如を利用して分類決定を行うルールベースの分類器は、それらの精度の不確かさを定量化する自然なメカニズムを持つ。
バイナリ分類器にとって重要な洞察は、文書によって誘導される部分弦集合の分割をベルヌーイ確率変数として扱うことである。
このアプローチの実用性は、ベンチマーク問題で実証されている。
論文 参考訳(メタデータ) (2020-05-19T03:51:47Z) - Certified Robustness to Label-Flipping Attacks via Randomized Smoothing [105.91827623768724]
機械学習アルゴリズムは、データ中毒攻撃の影響を受けやすい。
任意の関数に対するランダム化スムージングの統一的なビューを示す。
本稿では,一般的なデータ中毒攻撃に対して,ポイントワイズで確実に堅牢な分類器を構築するための新しい戦略を提案する。
論文 参考訳(メタデータ) (2020-02-07T21:28:30Z) - Better Multi-class Probability Estimates for Small Data Sets [0.0]
我々は,データ生成とグループ化のアルゴリズムが多クラス問題の解決に有効であることを示す。
実験により,提案手法を用いてキャリブレーション誤差を低減し,計算コストの増大を許容できることを示した。
論文 参考訳(メタデータ) (2020-01-30T10:21:26Z)
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。