論文の概要: Mean Parity Fair Regression in RKHS

• arxiv url: http://arxiv.org/abs/2302.10409v1
• Date: Tue, 21 Feb 2023 02:44:50 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-22 16:44:29.486406
• Title: Mean Parity Fair Regression in RKHS
• Title（参考訳）: RKHSにおける平均パリティフェア回帰
• Authors: Shaokui Wei, Jiayin Liu, Bing Li, Hongyuan Zha
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 43.98593032593897
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We study the fair regression problem under the notion of Mean Parity (MP) fairness, which requires the conditional mean of the learned function output to be constant with respect to the sensitive attributes. We address this problem by leveraging reproducing kernel Hilbert space (RKHS) to construct the functional space whose members are guaranteed to satisfy the fairness constraints. The proposed functional space suggests a closed-form solution for the fair regression problem that is naturally compatible with multiple sensitive attributes. Furthermore, by formulating the fairness-accuracy tradeoff as a relaxed fair regression problem, we derive a corresponding regression function that can be implemented efficiently and provides interpretable tradeoffs. More importantly, under some mild assumptions, the proposed method can be applied to regression problems with a covariance-based notion of fairness. Experimental results on benchmark datasets show the proposed methods achieve competitive and even superior performance compared with several state-of-the-art methods.
• Abstract（参考訳）: 平均パリティ (MP) の公平性の概念の下で, 学習関数出力の条件平均が, 感度特性に対して一定であることを必要とするフェアレグレッション問題について検討する。 本稿では、再生カーネルヒルベルト空間(RKHS)を利用して、メンバーがフェアネス制約を満たすことを保証された関数空間を構築する。 提案した関数空間は、複数の感度属性に自然に適合する公正回帰問題に対する閉形式解を示唆する。 さらに, フェアネス精度トレードオフを緩和されたフェアレグレッション問題として定式化することにより, 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。 より重要なことに、いくつかの穏やかな仮定の下で、提案手法は共分散に基づくフェアネスの概念を持つ回帰問題に適用することができる。 ベンチマークによる実験結果から,提案手法はいくつかの最先端手法と比較して,競争力や性能に優れていた。

関連論文リスト

• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  時間差差(TD)学習は、おそらく政策評価に最も広く使用されるものであり、この目的の自然な枠組みとして機能する。 本稿では,Polyak-Ruppert平均化と線形関数近似によるTD学習の整合性について検討し,既存の結果よりも3つの重要な改善点を得た。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• 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)
• Fair learning with Wasserstein barycenters for non-decomposable performance measures [8.508198765617198]
  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。
  論文  参考訳（メタデータ） (2022-09-01T13:06:43Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Achieving Fairness with a Simple Ridge Penalty [0.0]
  本稿では,このタスクに対して,ユーザ定義の公平度制約を適用した,よりフレキシブルなアプローチを提案する。 我々の提案は、以前のアプローチの3つの制限を生んでいる。
  論文  参考訳（メタデータ） (2021-05-18T15:43:57Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• Support estimation in high-dimensional heteroscedastic mean regression [2.28438857884398]
  ランダムな設計と、潜在的にヘテロセダスティックで重み付きエラーを伴う線形平均回帰モデルを考える。 我々は,問題のパラメータに依存するチューニングパラメータを備えた,厳密な凸・滑らかなHuber損失関数の変種を用いる。 得られた推定器に対して、$ell_infty$ノルムにおける符号一貫性と最適収束率を示す。
  論文  参考訳（メタデータ） (2020-11-03T09:46:31Z)
• Fair Regression with Wasserstein Barycenters [39.818025466204055]
  本稿では, 実数値関数を学習し, 実数値関数の制約を満たす問題について検討する。 予測された出力の分布は、センシティブな属性から独立することを要求する。 フェア回帰と最適輸送理論の関連性を確立し、最適なフェア予測器に対するクローズドフォーム表現を導出する。
  論文  参考訳（メタデータ） (2020-06-12T16:10:41Z)
• Approximation Schemes for ReLU Regression [80.33702497406632]
  我々はReLU回帰の根本的な問題を考察する。 目的は、未知の分布から引き出された2乗損失に対して、最も適したReLUを出力することである。
  論文  参考訳（メタデータ） (2020-05-26T16:26:17Z)
• 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。