論文の概要: Generalizing Fairness using Multi-Task Learning without Demographic
Information
- arxiv url: http://arxiv.org/abs/2305.12671v1
- Date: Mon, 22 May 2023 03:22:51 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-23 18:46:36.940417
- Title: Generalizing Fairness using Multi-Task Learning without Demographic
Information
- Title(参考訳): デモグラフィック情報のないマルチタスク学習によるフェアネスの一般化
- Authors: Carlos Aguirre and Mark Dredze
- Abstract要約: 対象タスクの公平性を改善するために、関連するタスクに人口統計データを利用する方法を示す。
マルチタスク設定に単一タスクのフェアネス損失を適用して、対象タスクを逸脱する際の関連タスクから人口統計ラベルを利用する。
- 参考スコア(独自算出の注目度): 15.002282686061905
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: To ensure the fairness of machine learning systems, we can include a fairness
loss during training based on demographic information associated with the
training data. However, we cannot train debiased classifiers for most tasks
since the relevant datasets lack demographic annotations. Can we utilize
demographic data for a related task to improve the fairness of our target task?
We demonstrate that demographic fairness objectives transfer to new tasks
trained within a multi-task framework. We adapt a single-task fairness loss to
a multi-task setting to exploit demographic labels from a related task in
debiasing a target task. We explore different settings with missing demographic
data and show how our loss can improve fairness even without in-task
demographics, across various domains and tasks.
- Abstract(参考訳): 機械学習システムの公平性を確保するために、トレーニングデータに関連する人口統計情報に基づいて、トレーニング中の公平性損失を含めることができる。
しかしながら、関連するデータセットには人口統計学的アノテーションがないため、ほとんどのタスクで偏りのない分類器をトレーニングすることはできない。
対象タスクの公平性を改善するために、関連するタスクに人口統計データを利用することができるか?
マルチタスクフレームワーク内でトレーニングされた新しいタスクに、人口統計学的公平性目標が移管されることを実証する。
マルチタスク設定に単一タスクのフェアネス損失を適用して、対象タスクを逸脱する際の関連タスクから人口統計ラベルを利用する。
人口統計データを欠いたさまざまな設定を調査し、さまざまなドメインやタスクにわたって、タスク内人口統計がなくても、損失が公平性を改善する方法を示します。
関連論文リスト
- Data-CUBE: Data Curriculum for Instruction-based Sentence Representation
Learning [85.66907881270785]
本稿では,学習用マルチタスクデータの順序を列挙するデータカリキュラム,すなわちData-CUBEを提案する。
タスクレベルでは、タスク間の干渉リスクを最小化するために最適なタスクオーダーを見つけることを目的としている。
インスタンスレベルでは、タスク毎のすべてのインスタンスの難易度を測定し、トレーニングのためにそれらを簡単に微分できるミニバッチに分割します。
論文 参考訳(メタデータ) (2024-01-07T18:12:20Z) - Distribution Matching for Multi-Task Learning of Classification Tasks: a
Large-Scale Study on Faces & Beyond [62.406687088097605]
マルチタスク学習(MTL)は、複数の関連するタスクを共同で学習し、共有表現空間から恩恵を受けるフレームワークである。
MTLは、ほとんど重複しない、あるいは重複しないアノテーションで分類タスクで成功することを示す。
本稿では,分散マッチングによるタスク間の知識交換を可能にする新しい手法を提案する。
論文 参考訳(メタデータ) (2024-01-02T14:18:11Z) - Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。
本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。
そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
論文 参考訳(メタデータ) (2023-08-28T06:31:37Z) - Leveraging sparse and shared feature activations for disentangled
representation learning [112.22699167017471]
本稿では,教師付きタスクの多種多様な集合から抽出した知識を活用し,共通不整合表現を学習することを提案する。
我々は6つの実世界分布シフトベンチマークと異なるデータモダリティに対するアプローチを検証する。
論文 参考訳(メタデータ) (2023-04-17T01:33:24Z) - Generalization with Lossy Affordances: Leveraging Broad Offline Data for
Learning Visuomotor Tasks [65.23947618404046]
本研究では,広範囲なデータを用いたオフライン強化学習を通じて,時間的拡張タスクの目標条件付きポリシを取得するフレームワークを提案する。
新たなタスク目標に直面した場合、フレームワークは余裕モデルを使用して、元のタスクをより簡単な問題に分解するサブゴールとして、損失のある表現のシーケンスを計画する。
我々は,従来の作業からロボット体験の大規模データセットを事前学習し,手動の報酬工学を使わずに視覚入力から,新しいタスクを効率的に微調整できることを実証した。
論文 参考訳(メタデータ) (2022-10-12T21:46:38Z) - Task Compass: Scaling Multi-task Pre-training with Task Prefix [122.49242976184617]
既存の研究では、大規模教師付きタスクによるマルチタスク学習がタスク間の負の効果に悩まされていることが示されている。
タスク間の関係を探索するために,タスクプレフィックスガイド付きマルチタスク事前学習フレームワークを提案する。
我々のモデルは、幅広いタスクの強力な基盤バックボーンとして機能するだけでなく、タスク関係を分析するための探索ツールとしても実現可能である。
論文 参考訳(メタデータ) (2022-10-12T15:02:04Z) - Adversarial Stacked Auto-Encoders for Fair Representation Learning [1.061960673667643]
そこで本稿では,データ表現のさまざまなレベルを活用して,学習した表現の公平性境界を厳格化するための,新しい公正表現学習手法を提案する。
その結果、異なる自動エンコーダを積み重ね、異なる潜在空間でフェアネスを強制すると、他の既存手法と比較してフェアネスが向上することがわかった。
論文 参考訳(メタデータ) (2021-07-27T13:49:18Z) - Combat Data Shift in Few-shot Learning with Knowledge Graph [42.59886121530736]
現実世界のアプリケーションでは、少数ショットの学習パラダイムはデータシフトに悩まされることが多い。
既存の少数ショット学習アプローチのほとんどは、データシフトを考慮して設計されていない。
本稿では,タスク固有表現とタスク共有表現を抽出するメタラーニングフレームワークを提案する。
論文 参考訳(メタデータ) (2021-01-27T12:35:18Z) - Towards Accuracy-Fairness Paradox: Adversarial Example-based Data
Augmentation for Visual Debiasing [15.689539491203373]
機械学習の公平性は、ターゲットタスクに対処する際に、特定の保護された、または機密性の高いグループに対するバイアスを懸念する。
本稿では,画像分類タスクの文脈におけるバイアス問題について検討する。
論文 参考訳(メタデータ) (2020-07-27T15:17:52Z)
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。