論文の概要: Equal Treatment: Measuring Fairness using Explanation Distributions

• arxiv url: http://arxiv.org/abs/2303.08040v2
• Date: Thu, 24 Aug 2023 08:24:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-25 18:23:16.461389
• Title: Equal Treatment: Measuring Fairness using Explanation Distributions
• Title（参考訳）: 平等処理:説明分布を用いた公正度測定
• Authors: Carlos Mougan, Laura State, Antonio Ferrara, Salvatore Ruggieri, Steffen Staab
• Abstract要約: 平等な結果と平等な治療という2つの概念が混在していることが示される。 本稿では, 特徴値が予測に与える影響を考慮し, 等価処理のための新しい形式化を提案する。 我々は、メソッドとチュートリアルを備えたオープンソースのPythonパッケージである説明空間をリリースした。
• 参考スコア（独自算出の注目度）: 23.28973277699437
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Liberalism-oriented political philosophy reasons that all individuals should be treated equally independently of their protected characteristics. Related work in machine learning has translated the concept of equal treatment into terms of equal outcome and measured it as demographic parity (also called statistical parity). Our analysis reveals that the two concepts of equal outcome and equal treatment diverge; therefore, demographic parity does not faithfully represent the notion of equal treatment. We propose a new formalization for equal treatment by (i) considering the influence of feature values on predictions, such as computed by Shapley values explaining classifications, (ii) defining distributions of explanations, and (iii) comparing explanation distributions between populations with different protected characteristics. We show the theoretical properties of our notion of equal treatment and devise a classifier two-sample test based on the AUC of an equal treatment inspector. We study our formalization of equal treatment on synthetic and natural data. We release explanationspace, an open-source Python package with methods and tutorials.
• Abstract（参考訳）: 自由主義志向の政治哲学は、全ての個人が保護された特徴とは独立して扱われるべきである。 機械学習における関連する研究は、平等な治療の概念を平等な結果の言葉に翻訳し、人口統計学的パリティ(統計的パリティとも呼ばれる)として測定した。 分析の結果,平等な結果と平等な治療という2つの概念が相違していることが判明した。 我々は平等な治療のための新しい公式化を提案する。 (i)分類を説明するシェープリー値などの予測に特徴値の影響を考慮する。 (ii)説明の分布を定めること、及び (iii)保護特性の異なる個体群間の説明分布の比較 等価治療の概念の理論的性質を示し, 等価治療検査者のAUCに基づく分類器2サンプル試験を考案する。 合成データと自然データに等しい処理の形式化について検討する。 これはメソッドとチュートリアルを備えたオープンソースのpythonパッケージです。

関連論文リスト

• Causal Fair Machine Learning via Rank-Preserving Interventional Distributions [0.5062312533373299]
  我々は、個人が架空の、規範的に望まれる(FiND)世界で等しければ、規範的に等しくなると定義する。 本研究では,それが保持する特定のFiND世界を定義するために,ランク保存的介入分布を提案する。 我々のワープアプローチは、最も差別された個人を効果的に識別し、不公平を緩和することを示します。
  論文  参考訳（メタデータ） (2023-07-24T13:46:50Z)
• Enriching Disentanglement: From Logical Definitions to Quantitative Metrics [59.12308034729482]
  複雑なデータにおける説明的要素を遠ざけることは、データ効率の表現学習にとって有望なアプローチである。 論理的定義と量的指標の関連性を確立し, 理論的に根ざした絡み合いの指標を導出する。 本研究では,非交叉表現の異なる側面を分離することにより,提案手法の有効性を実証的に実証する。
  論文  参考訳（メタデータ） (2023-05-19T08:22:23Z)
• Evaluating the Robustness of Interpretability Methods through Explanation Invariance and Equivariance [72.50214227616728]
  解釈可能性法は、それらの説明が説明されたモデルを忠実に記述した場合にのみ有用である。 特定の対称性群の下で予測が不変であるニューラルネットワークを考える。
  論文  参考訳（メタデータ） (2023-04-13T17:59:03Z)
• Measuring Fine-Grained Semantic Equivalence with Abstract Meaning Representation [9.666975331506812]
  意味論的に等価な文を特定することは、多くのNLPタスクにとって重要である。 意味的同値性への最近のアプローチは「等価性」への緩やかな文レベルのアプローチを取る 抽象的意味表現グラフ構造を利用した意味等価性を特徴付ける新しい,より敏感な手法を提案する。
  論文  参考訳（メタデータ） (2022-10-06T16:08:27Z)
• Nonparametric Conditional Local Independence Testing [69.31200003384122]
  条件付き局所独立は、連続的な時間プロセス間の独立関係である。 条件付き地域独立の非パラメトリックテストは行われていない。 二重機械学習に基づく非パラメトリックテストを提案する。
  論文  参考訳（メタデータ） (2022-03-25T10:31:02Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Fair Wrapping for Black-box Predictions [105.10203274098862]
  予測を修飾するα木として定義したラッパー関数を学習する。 この修正は, アルファツリーの構成, 一般化, 解釈可能性, および修正された予測とオリジナル予測のKLの相違に関して, 魅力的な性質を有することを示す。
  論文  参考訳（メタデータ） (2022-01-31T01:02:39Z)
• A partition-based similarity for classification distributions [11.877906044513272]
  本稿では,統計的パターン認識の観点から原理化された分類分布の類似性の尺度を定義し,機械学習実践者の観点から有用であることを示す。 本稿では,対象分布に関する推論に適用した場合に,最適変換されたソース分布の最適表現がどのように動作するかを定量化する,タスク類似性と呼ばれる,分類分布に関する新しい類似性を提案する。
  論文  参考訳（メタデータ） (2020-11-12T18:21:11Z)
• Double Robust Representation Learning for Counterfactual Prediction [68.78210173955001]
  そこで本稿では, 対実予測のための2次ロバスト表現を学習するための, スケーラブルな新しい手法を提案する。 我々は、個々の治療効果と平均的な治療効果の両方に対して、堅牢で効率的な対実的予測を行う。 このアルゴリズムは,実世界の最先端技術と合成データとの競合性能を示す。
  論文  参考訳（メタデータ） (2020-10-15T16:39:26Z)

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。