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

• 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)
• Self-Supervised Graph Neural Network for Multi-Source Domain Adaptation [51.21190751266442]
  ドメイン適応(DA)は、テストデータがトレーニングデータの同じ分布に完全に従わない場合に、シナリオに取り組む。 大規模未ラベルサンプルから学習することで、自己教師型学習がディープラーニングの新しいトレンドとなっている。 我々は,より効果的なタスク間情報交換と知識共有を実現するために,新しい textbfSelf-textbf Supervised textbfGraph Neural Network (SSG) を提案する。
  論文  参考訳（メタデータ） (2022-04-08T03:37:56Z)
• 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)
• Understanding and Improving Fairness-Accuracy Trade-offs in Multi-Task Learning [18.666340309506605]
  我々は,マルチタスクシナリオにおいて,MLフェアネスの概念としてのグループフェアネスが果たす役割を懸念している。 マルチタスク学習では、より効率的な帰納的伝達のためにタスク相関を利用するために、複数のタスクが共同で学習される。 マルチタスク学習における公平性向上のためのマルチタスク認識フェアネス(MTA-F)アプローチを提案する。
  論文  参考訳（メタデータ） (2021-06-04T20:28:54Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce Discrimination [53.3082498402884]
  機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。 本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。 偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
  論文  参考訳（メタデータ） (2020-09-25T05:48:56Z)
• Fairness Constraints in Semi-supervised Learning [56.48626493765908]
  我々は,最適化問題として定式化された,公平な半教師付き学習のためのフレームワークを開発する。 偏り・分散・雑音分解による半教師あり学習における識別源を理論的に分析する。 本手法は, 公平な半教師付き学習を達成でき, 公正な教師付き学習よりも精度と公平性のトレードオフが良好である。
  論文  参考訳（メタデータ） (2020-09-14T04:25:59Z)
• 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。