論文の概要: Achieving Counterfactual Fairness with Imperfect Structural Causal Model
- arxiv url: http://arxiv.org/abs/2303.14665v1
- Date: Sun, 26 Mar 2023 09:37:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-28 18:20:48.432537
- Title: Achieving Counterfactual Fairness with Imperfect Structural Causal Model
- Title(参考訳): 不完全な構造因果モデルによる対物フェアネスの達成
- Authors: Tri Dung Duong, Qian Li, Guandong Xu
- Abstract要約: 対実フェアネスのためのミニマックスゲーム理論モデルを提案する。
また,提案したミニマックスモデルの誤差境界を理論的に証明する。
複数の実世界のデータセットに関する実証実験は、正確性と公正性の両方において、私たちの優れたパフォーマンスを示しています。
- 参考スコア(独自算出の注目度): 11.108866104714627
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Counterfactual fairness alleviates the discrimination between the model
prediction toward an individual in the actual world (observational data) and
that in counterfactual world (i.e., what if the individual belongs to other
sensitive groups). The existing studies need to pre-define the structural
causal model that captures the correlations among variables for counterfactual
inference; however, the underlying causal model is usually unknown and
difficult to be validated in real-world scenarios. Moreover, the
misspecification of the causal model potentially leads to poor performance in
model prediction and thus makes unfair decisions. In this research, we propose
a novel minimax game-theoretic model for counterfactual fairness that can
produce accurate results meanwhile achieve a counterfactually fair decision
with the relaxation of strong assumptions of structural causal models. In
addition, we also theoretically prove the error bound of the proposed minimax
model. Empirical experiments on multiple real-world datasets illustrate our
superior performance in both accuracy and fairness. Source code is available at
\url{https://github.com/tridungduong16/counterfactual_fairness_game_theoretic}.
- Abstract(参考訳): 対実公正は、実際の世界(観測データ)における個人に対するモデル予測と、対実世界(つまり、個人が他の敏感なグループに属している場合)の間の差別を緩和する。
既存の研究では、反事実推論のための変数間の相関を捉える構造因果モデルを事前に定義する必要があるが、基礎となる因果モデルは通常不明であり、現実のシナリオでは検証が難しい。
さらに、因果モデルの誤特定は、モデル予測のパフォーマンス低下につながる可能性があり、不公平な決定をする。
本研究では, 構造因果モデルの強い仮定を緩和して, 対実的公正な結果が得られるような, 対実的公正性のための新しいミニマックスゲーム理論モデルを提案する。
さらに,提案したミニマックスモデルの誤差境界も理論的に証明する。
複数の実世界のデータセットにおける実証実験は、正確さと公平さの両方において、我々の優れたパフォーマンスを示している。
ソースコードは \url{https://github.com/tridungduong16/counterfactual_fairness_game_theoretic}で入手できる。
関連論文リスト
- Learning Counterfactually Fair Models via Improved Generation with Neural Causal Models [0.0]
機械学習モデルを現実世界のアプリケーションにデプロイする際の主な関心事のひとつは、公平性である。
既存のカウンターファクトフェアネスの実施方法には2つの制限があるようである。
本稿では,反現実的なサンプルを生成するためにニューラル因果モデルを提案する。
また,MMDをベースとした新たな正規化手法を提案する。
論文 参考訳(メタデータ) (2025-02-18T11:59:03Z) - Causal Lifting of Neural Representations: Zero-Shot Generalization for Causal Inferences [56.23412698865433]
本研究では,ラベル付き類似実験を微調整した予測モデルを用いて,ラベル付き実結果を用いた対象実験の因果推論に焦点をあてる。
まず,経験的リスク最小化(ERM)による実結果推定は,対象個体群に対して有効な因果推論を導出できない可能性があることを示す。
本稿では,実証的リスク最小化法(DEM)を提案する。
論文 参考訳(メタデータ) (2025-02-10T10:52:17Z) - 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) - Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。
提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。
複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
論文 参考訳(メタデータ) (2023-06-09T08:30:51Z) - Fairness Increases Adversarial Vulnerability [50.90773979394264]
フェアネスとロバストネスの間に二分法が存在することを示し、フェアネスを達成するとモデルロバストネスを減少させる。
非線形モデルと異なるアーキテクチャの実験は、複数の視覚領域における理論的発見を検証する。
フェアネスとロバストネスの良好なトレードオフを達成するためのモデルを構築するための,シンプルで効果的なソリューションを提案する。
論文 参考訳(メタデータ) (2022-11-21T19:55:35Z) - Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。
我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。
我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
論文 参考訳(メタデータ) (2022-01-10T21:43:44Z) - Transport-based Counterfactual Models [0.0]
反事実を計算するための最先端モデルは非現実的であるか、実現不可能である。
因果モデルがない場合、現実的で実現可能な偽物の設計の問題に対処する。
最適輸送理論は、関連する輸送に基づく対実モデルを定義する。
論文 参考訳(メタデータ) (2021-08-30T07:28:19Z) - Causal Expectation-Maximisation [70.45873402967297]
ポリツリーグラフを特徴とするモデルにおいても因果推論はNPハードであることを示す。
我々は因果EMアルゴリズムを導入し、分類的表現変数のデータから潜伏変数の不確かさを再構築する。
我々は、反事実境界が構造方程式の知識なしにしばしば計算できるというトレンドのアイデアには、目立たずの制限があるように思える。
論文 参考訳(メタデータ) (2020-11-04T10:25:13Z) - Explainability for fair machine learning [10.227479910430866]
本稿では,Shapley値のパラダイムに基づく機械学習における公平性を説明するための新しいアプローチを提案する。
我々の公正な説明は、モデルがセンシティブな属性を直接操作していない場合であっても、モデル全体の不公平さを個々の入力特徴に帰着する。
本稿では,既存のトレーニング時間フェアネス介入を適用したメタアルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-10-14T20:21:01Z) - Convex Fairness Constrained Model Using Causal Effect Estimators [6.414055487487486]
説明バイアスを保ちながら差別を除去するFairCEEと呼ばれる新しいモデルを考案する。
回帰および二分分類タスクにおけるFairCEEの効率的な解法を提案する。
論文 参考訳(メタデータ) (2020-02-16T03:40:04Z)
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。