論文の概要: Equalised Odds is not Equal Individual Odds: Post-processing for Group and Individual Fairness

• arxiv url: http://arxiv.org/abs/2304.09779v1
• Date: Wed, 19 Apr 2023 16:02:00 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-20 13:45:32.993952
• Title: Equalised Odds is not Equal Individual Odds: Post-processing for Group and Individual Fairness
• Title（参考訳）: 等化オッドは等化個性オッドではない:グループと個性のための後処理
• Authors: Edward A. Small, Kacper Sokol, Daniel Manning, Flora D. Salim, Jeffrey Chan
• Abstract要約: グループフェアネスは、保護されたサブ人口間の予測分布を等化することによって達成される。 個々人の公平さには 同じような扱いが必要です この手順は、異なる分類の確率を持つ同じ保護グループの2つの類似した個人を与えることができる。
• 参考スコア（独自算出の注目度）: 17.10444992448949
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Group fairness is achieved by equalising prediction distributions between protected sub-populations; individual fairness requires treating similar individuals alike. These two objectives, however, are incompatible when a scoring model is calibrated through discontinuous probability functions, where individuals can be randomly assigned an outcome determined by a fixed probability. This procedure may provide two similar individuals from the same protected group with classification odds that are disparately different -- a clear violation of individual fairness. Assigning unique odds to each protected sub-population may also prevent members of one sub-population from ever receiving equal chances of a positive outcome to another, which we argue is another type of unfairness called individual odds. We reconcile all this by constructing continuous probability functions between group thresholds that are constrained by their Lipschitz constant. Our solution preserves the model's predictive power, individual fairness and robustness while ensuring group fairness.
• Abstract（参考訳）: グループフェアネスは保護されたサブ人口間の予測分布を等しくすることで達成される。 しかし、これらの2つの目的は、不連続確率関数を通じてスコアリングモデルが校正される場合、個人が固定確率によって決定された結果をランダムに割り当てることができる場合、互換性がない。 この手順は、異なる分類の確率を持つ同じ保護グループの2つの類似した個人を提供する可能性がある。 それぞれの保護されたサブ人口にユニークな確率を割り当てることで、あるサブ人口のメンバーが別の集団に同じ確率でプラスの結果を得るのを防ぐこともできる。 我々は、リプシッツ定数によって制約される群閾値間の連続確率関数を構築することにより、これらすべてを解消する。 我々のソリューションは、グループの公平性を確保しつつ、モデルの予測力、個々人の公平性、堅牢性を維持します。

関連論文リスト

• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Auditing Predictive Models for Intersectional Biases [1.9346186297861747]
  Conditional Bias Scan (CBS)は、分類モデルにおける交差バイアスを検出するフレキシブル監査フレームワークである。 CBSは、保護されていないクラスの同等のサブグループと比較して、保護されたクラスに対して最も重要なバイアスがあるサブグループを特定している。 本手法は,CompAS前リスクアセスメントツールにおいて,未同定の交差点バイアスとコンテキストバイアスを検出できることを示す。
  論文  参考訳（メタデータ） (2023-06-22T17:32:12Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Reconciling Individual Probability Forecasts [78.0074061846588]
  データに同意する2つの当事者は、個々の確率をモデル化する方法に異を唱えることができない。 個々の確率は不可知であるが、計算的かつデータ効率のよいプロセスで競合できると結論付ける。
  論文  参考訳（メタデータ） (2022-09-04T20:20:35Z)
• Fair Bayes-Optimal Classifiers Under Predictive Parity [33.648053823193855]
  本稿では、異なる保護群間での正の予測から、成功の確率を等しくする必要がある予測パリティについて考察する。 本研究では,FairBayes-DPPと呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-15T04:58:10Z)
• Gerrymandering Individual Fairness [0.0]
  個人の公平さは、サブグループレベルでの個人の不公平な扱いを防ぐための公平さの尺度である。 本研究の目的は,個々人のフェアネスそのものをジェリーマンダーできる範囲を探求することである。
  論文  参考訳（メタデータ） (2022-04-25T12:44:57Z)
• Group Fairness Is Not Derivable From Justice: a Mathematical Proof [0.0]
  「集団公正」とは、道徳的に任意の特徴から無罪の被告人全員に無罪または有罪判決の機会を確保することである。 数学的には、完全な手続き(誤りを伴わない)、非決定論的手続き、または退化処理のみが群公正性を保証することを示す。
  論文  参考訳（メタデータ） (2022-02-08T14:10:47Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)
• Distributional Individual Fairness in Clustering [7.303841123034983]
  本稿では,距離空間に埋め込まれた個人を,有界なクラスタ中心上の確率分布に割り当てる枠組みを提案する。 p$-norm目的のクラスタリングアルゴリズムと、証明可能な近似保証付き個別フェアネス制約を提案する。
  論文  参考訳（メタデータ） (2020-06-22T20:02:09Z)
• Individual Calibration with Randomized Forecasting [116.2086707626651]
  予測値がランダムに設定された場合,各サンプルのキャリブレーションは回帰設定で可能であることを示す。 我々は、個別の校正を強制する訓練目標を設計し、それをランダム化された回帰関数の訓練に使用する。
  論文  参考訳（メタデータ） (2020-06-18T05:53:10Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)

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。