Fugu-MT 論文翻訳(概要): Fairlearn: Assessing and Improving Fairness of AI Systems

論文の概要: Fairlearn: Assessing and Improving Fairness of AI Systems

arxiv url: http://arxiv.org/abs/2303.16626v1
Date: Wed, 29 Mar 2023 12:28:49 GMT
ステータス: 処理完了
システム内更新日: 2023-03-30 14:59:56.056591
Title: Fairlearn: Assessing and Improving Fairness of AI Systems
Title（参考訳）: fairlearn: aiシステムの公正性の評価と改善
Authors: Hilde Weerts, Miroslav Dud\'ik, Richard Edgar, Adrin Jalali, Roman Lutz, Michael Madaio
Abstract要約: 関連するPythonライブラリ、別名 Fairlearn は、影響を受けた集団間でモデル出力の評価をサポートする。このプロジェクトは、システムのより広い社会的文脈を考慮した実践者を支援する学習資源を統合している。
参考スコア（独自算出の注目度）: 4.599744479469668
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Fairlearn is an open source project to help practitioners assess and improve fairness of artificial intelligence (AI) systems. The associated Python library, also named fairlearn, supports evaluation of a model's output across affected populations and includes several algorithms for mitigating fairness issues. Grounded in the understanding that fairness is a sociotechnical challenge, the project integrates learning resources that aid practitioners in considering a system's broader societal context.
Abstract（参考訳）: fairlearnは、人工知能(ai)システムの公正性の評価と改善を支援するオープンソースプロジェクトである。関連するPythonライブラリである Fairlearn は、影響を受けた集団間でモデルの出力の評価をサポートし、フェアネス問題を緩和するためのアルゴリズムを含んでいる。公平性が社会技術的課題であるという理解に根ざしたこのプロジェクトは、より広い社会的な文脈を考慮した実践者を支援する学習資源を統合する。

関連論文リスト

A Human-in-the-Loop Fairness-Aware Model Selection Framework for Complex Fairness Objective Landscapes [37.5215569371757]
ManyFairHPOはフェアネスを意識したモデル選択フレームワークで、実践者が複雑でニュアンスのあるフェアネスの客観的な風景をナビゲートすることを可能にする。我々は,複数のフェアネス目標のバランス,自己充足的予言などのリスク軽減,公平性を考慮したモデリング決定における利害関係者の導出のための解釈可能な洞察の提供などにおけるMaryFairHPOの有効性を実証する。
論文参考訳（メタデータ） (2024-10-17T07:32:24Z)
A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
論文参考訳（メタデータ） (2024-07-16T18:43:43Z)
FairCompass: Operationalising Fairness in Machine Learning [34.964477625987136]
責任あるAIソリューションを開発するための衝動が高まっている。さまざまな機械学習フェアネスソリューションが文献で提案されている。現実世界のアプリケーションでは、これらのツールの実践的な実装が欠如していると伝えられている。
論文参考訳（メタデータ） (2023-12-27T21:29:53Z)
Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
論文参考訳（メタデータ） (2023-03-25T09:34:05Z)
FAIR-FATE: Fair Federated Learning with Momentum [0.41998444721319217]
本研究では,グループフェアネスの達成を目的としたFAIRフェデレート学習アルゴリズムを提案する。我々の知る限りでは、公正なモメンタム推定を用いて公平性を達成することを目的とした機械学習における最初のアプローチである。実世界のデータセットに対する実験結果から、FAIR-FATEは最先端のフェデレート学習アルゴリズムよりも優れています。
論文参考訳（メタデータ） (2022-09-27T20:33:38Z)
Fair and efficient contribution valuation for vertical federated learning [49.50442779626123]
フェデレートラーニング(Federated Learning)は、データを共有することなく、分散データソース上で機械学習モデルをトレーニングするための一般的な技術である。シェープリー値(Shapley value, SV)は、協調ゲーム理論から派生した、証明可能なフェアコントリビューション評価指標である。本稿では,SVに基づく垂直結合シェープ値(VerFedSV)と呼ばれるコントリビューション評価指標を提案する。
論文参考訳（メタデータ） (2022-01-07T19:57:15Z)
Blockchain-based Trustworthy Federated Learning Architecture [16.062545221270337]
ブロックチェーンベースの信頼できるフェデレーション学習アーキテクチャを提案する。まず、説明責任を実現するために、スマートコントラクトベースのデータモデル証明レジストリを設計する。また、トレーニングデータの公平性を高めるために、重み付き公正データサンプリングアルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-16T06:13:58Z)
Fair Representation Learning for Heterogeneous Information Networks [35.80367469624887]
公平なHIN表現学習のための包括的非バイアス化手法を提案する。これらのアルゴリズムの挙動,特にフェアネスと予測精度のトレードオフをバランスさせる能力について検討した。キャリアカウンセリングの自動化アプリケーションにおいて,提案手法の性能を評価する。
論文参考訳（メタデータ） (2021-04-18T08:28:18Z)
Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
データセットバイアスは、機械学習における不公平な原因の1つです。不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
論文参考訳（メタデータ） (2021-04-14T14:20:22Z)
Self-organizing Democratized Learning: Towards Large-scale Distributed Learning Systems [71.14339738190202]
民主化された学習(Dem-AI)は、大規模な分散および民主化された機械学習システムを構築するための基本原則を備えた全体主義的哲学を定めている。本稿では,Dem-AI哲学にヒントを得た分散学習手法を提案する。提案アルゴリズムは,従来のFLアルゴリズムと比較して,エージェントにおける学習モデルの一般化性能が向上することを示す。
論文参考訳（メタデータ） (2020-07-07T08:34:48Z)
Leveraging Semi-Supervised Learning for Fairness using Neural Networks [49.604038072384995]
機械学習に基づく意思決定システムの公平性に対する懸念が高まっている。本稿では,ラベルのないデータから得られるニューラルネットワークを用いた半教師付きアルゴリズムを提案する。提案したSSFairと呼ばれるモデルは、ラベルのないデータの情報を活用して、トレーニングデータのバイアスを軽減する。
論文参考訳（メタデータ） (2019-12-31T09:11:26Z)

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。