論文の概要: Achieving Counterfactual Fairness for Anomaly Detection
- arxiv url: http://arxiv.org/abs/2303.02318v1
- Date: Sat, 4 Mar 2023 04:45:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-07 20:23:25.087238
- Title: Achieving Counterfactual Fairness for Anomaly Detection
- Title(参考訳): 異常検出のためのファクトフェアネスの達成
- Authors: Xiao Han, Lu Zhang, Yongkai Wu, Shuhan Yuan
- Abstract要約: 本稿では,2つの相,反実データ生成と公正な異常検出からなる,反実的公正な異常検出(CFAD)フレームワークを提案する。
合成データセットと2つの実データセットの実験結果から、CFADは異常を効果的に検出し、反ファクト的公正性を確保することができることが示された。
- 参考スコア(独自算出の注目度): 20.586768167592112
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring fairness in anomaly detection models has received much attention
recently as many anomaly detection applications involve human beings. However,
existing fair anomaly detection approaches mainly focus on association-based
fairness notions. In this work, we target counterfactual fairness, which is a
prevalent causation-based fairness notion. The goal of counterfactually fair
anomaly detection is to ensure that the detection outcome of an individual in
the factual world is the same as that in the counterfactual world where the
individual had belonged to a different group. To this end, we propose a
counterfactually fair anomaly detection (CFAD) framework which consists of two
phases, counterfactual data generation and fair anomaly detection. Experimental
results on a synthetic dataset and two real datasets show that CFAD can
effectively detect anomalies as well as ensure counterfactual fairness.
- Abstract(参考訳): 異常検出モデルにおける公正性の確保は、最近、多くの異常検出アプリケーションが人間を含むため、多くの注目を集めている。
しかし、既存のフェアアノマリー検出アプローチは、主に関連に基づくフェアネス概念に焦点を当てている。
本研究では,因果関係に基づくフェアネスの概念である反事実フェアネスを対象とする。
対実的公正な異常検出の目標は、現実の世界における個人の検出結果が、その個人が別のグループに属していた対実的世界と同じであることを確実にすることである。
そこで本研究では,2つの相,反実データ生成と公正な異常検出からなる,反実的公正な異常検出(CFAD)フレームワークを提案する。
合成データセットと2つの実データセットの実験結果から、CFADは異常を効果的に検出し、反事実的公正性を確保することができる。
関連論文リスト
- Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。
既存の偽造検出データセットとは異なり、自己構築のFairFDデータセットは、バランスの取れた人種比と、最も大規模な被験者との多様な偽造生成画像を含んでいる。
我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。
論文 参考訳(メタデータ) (2024-07-19T14:53:18Z) - Towards a Unified Framework of Clustering-based Anomaly Detection [18.30208347233284]
非教師付き異常検出(UAD)は、ラベル付き例なしでデータ内の異常パターンを識別する上で重要な役割を果たす。
本稿では, 表現学習, クラスタリング, 異常検出の理論的関係を確立するために, 異常検出のための新しい確率混合モデルを提案する。
我々は,表現学習とクラスタリングの併用力を効果的に活用する,改良された異常スコアを考案した。
論文 参考訳(メタデータ) (2024-06-01T14:30:12Z) - Anomaly Detection by Context Contrasting [57.695202846009714]
異常検出は、標準から逸脱するサンプルを特定することに焦点を当てる。
近年の自己教師型学習の進歩は、この点において大きな可能性を秘めている。
本稿では、通常のトレーニングデータを異なるコンテキストに設定することで、この問題に対処するCon2を提案する。
より現実的な医療環境では,様々なベンチマークで最先端のパフォーマンスを実現しつつ,優れたパフォーマンスを実現している。
論文 参考訳(メタデータ) (2024-05-29T07:59:06Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳(メタデータ) (2023-07-17T04:08:29Z) - RobustFair: Adversarial Evaluation through Fairness Confusion Directed
Gradient Search [8.278129731168127]
ディープニューラルネットワーク(DNN)は、様々な敵の摂動に対する脆弱性のため、しばしば課題に直面している。
本稿では, 偽りや偏りのある摂動を受ける場合のDNNの正確な公平性を評価するための新しいアプローチであるRobustFairを紹介する。
論文 参考訳(メタデータ) (2023-05-18T12:07:29Z) - Catching Both Gray and Black Swans: Open-set Supervised Anomaly
Detection [90.32910087103744]
ラベル付き異常な例は、多くの現実世界のアプリケーションでよく見られる。
これらの異常例は、アプリケーション固有の異常について貴重な知識を提供する。
トレーニング中に見られる異常は、可能なあらゆる種類の異常を説明できないことが多い。
本稿では,オープンセット型教師付き異常検出に取り組む。
論文 参考訳(メタデータ) (2022-03-28T05:21:37Z) - Explainable Deep Few-shot Anomaly Detection with Deviation Networks [123.46611927225963]
本稿では,弱い教師付き異常検出フレームワークを導入し,検出モデルを訓練する。
提案手法は,ラベル付き異常と事前確率を活用することにより,識別正規性を学習する。
我々のモデルはサンプル効率が高く頑健であり、クローズドセットとオープンセットの両方の設定において最先端の競合手法よりもはるかに優れている。
論文 参考訳(メタデータ) (2021-08-01T14:33:17Z) - Understanding the Effect of Bias in Deep Anomaly Detection [15.83398707988473]
異常検出はラベル付き異常データの不足のため、機械学習においてユニークな課題となる。
最近の研究は、追加のラベル付き異常サンプルによる深部異常検出モデルのトレーニングを増強することで、このような問題を緩和しようとするものである。
本稿では,異常検出に対するバイアス付き異常集合の効果を理解することを目的とする。
論文 参考訳(メタデータ) (2021-05-16T03:55:02Z) - Anomaly detection using principles of human perception [0.0]
簡易かつリアルタイムかつパラメータフリーな教師なし異常検出アルゴリズムを開発した。
考えは、異常は、データの大半によって行われた特定のグループに関して予期しない観察であると仮定することです。
論文 参考訳(メタデータ) (2021-03-23T05:46:27Z) - Towards Fair Deep Anomaly Detection [24.237000220172906]
我々は,fair anomaly detectionアプローチ(deep fair svdd)のための新しいアーキテクチャを提案する。
提案手法は,異常検出性能の低下を最小限に抑えることで不公平を解消できることを示す。
論文 参考訳(メタデータ) (2020-12-29T22:34:45Z) - Deep Weakly-supervised Anomaly Detection [118.55172352231381]
ペアワイズ関係予測ネットワーク(PReNet)は、ペアワイズ関係の特徴と異常スコアを学習する。
PReNetは、学習したペアの異常パターンに適合する見知らぬ異常を検出できる。
12の実世界のデータセットに対する実証的な結果から、PReNetは目に見えない異常や異常を検知する9つの競合する手法を著しく上回っている。
論文 参考訳(メタデータ) (2019-10-30T00:40:25Z)
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。