Fugu-MT 論文翻訳(概要): FairDP: Certified Fairness with Differential Privacy

論文の概要: FairDP: Certified Fairness with Differential Privacy

arxiv url: http://arxiv.org/abs/2305.16474v3
Date: Mon, 10 Feb 2025 20:39:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-12 18:22:47.46989
Title: FairDP: Certified Fairness with Differential Privacy
Title（参考訳）: FairDP: 差別的プライバシによる公正認定
Authors: Khang Tran, Ferdinando Fioretto, Issa Khalil, My T. Thai, Linh Thi Xuan Phan NhatHai Phan,
Abstract要約: 本稿では,FairDPについて紹介する。FairDPは,トレーニングされたモデルの判断に対して,グループフェアネスの認定を提供するために設計された,新しいトレーニングメカニズムである。 FairDPの鍵となる考え方は、独立した個別グループのためのモデルをトレーニングし、データプライバシ保護のための各グループの勾配にノイズを加え、グループモデルの知識を統合して、下流タスクにおけるプライバシ、ユーティリティ、公正性のバランスをとるモデルを構築することである。
参考スコア（独自算出の注目度）: 55.51579601325759
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper introduces FairDP, a novel training mechanism designed to provide group fairness certification for the trained model's decisions, along with a differential privacy (DP) guarantee to protect training data. The key idea of FairDP is to train models for distinct individual groups independently, add noise to each group's gradient for data privacy protection, and progressively integrate knowledge from group models to formulate a comprehensive model that balances privacy, utility, and fairness in downstream tasks. By doing so, FairDP ensures equal contribution from each group while gaining control over the amount of DP-preserving noise added to each group's contribution. To provide fairness certification, FairDP leverages the DP-preserving noise to statistically quantify and bound fairness metrics. An extensive theoretical and empirical analysis using benchmark datasets validates the efficacy of FairDP and improved trade-offs between model utility, privacy, and fairness compared with existing methods. Our empirical results indicate that FairDP can improve fairness metrics by more than 65% on average while attaining marginal utility drop (less than 4% on average) under a rigorous DP-preservation across benchmark datasets compared with existing baselines.
Abstract（参考訳）: 本稿では,FairDPについて紹介する。FairDPは,トレーニングデータを保護するための差分プライバシ(DP)保証とともに,トレーニングモデルの判断に対するグループフェアネス認証を提供するための,新しいトレーニングメカニズムである。 FairDPのキーとなる考え方は、独立した個別グループのためのモデルをトレーニングし、データプライバシ保護のための各グループの勾配にノイズを加え、グループモデルからの知識を段階的に統合し、下流タスクにおけるプライバシ、ユーティリティ、公正性のバランスをとる包括的なモデルを定式化することである。これにより、FairDPは、各グループの貢献に付加されるDP保存ノイズの量を制御しつつ、各グループからの同等の貢献を保証する。 FairDPは、DP保存ノイズを利用して、統計的にフェアネスメトリクスを定量化し、バウンドする。ベンチマークデータセットを用いた広範な理論的および実証的な分析により、FairDPの有効性が検証され、モデルユーティリティ、プライバシ、フェアネス間のトレードオフが改善された。実験の結果,FairDPは,ベンチマークデータセット間の厳密なDP保存の下で,平均で65%以上のフェアネス指標を向上し,限界効用低下(平均で4%未満)を達成できることが示唆された。

関連論文リスト

Learning Heterogeneous Performance-Fairness Trade-offs in Federated Learning [6.6763659758988885]
HetPFL は Preference Smpling Adaptation (PSA) と Preference-aware Hypernet Fusion (PHF) から構成される。 We prove that HetPFL converges to the number of rounds, under weaker assumptions than existing method。
論文参考訳（メタデータ） (2025-04-30T16:25:02Z)
PA-CFL: Privacy-Adaptive Clustered Federated Learning for Transformer-Based Sales Forecasting on Heterogeneous Retail Data [47.745068077169954]
フェデレートラーニング(FL)により、小売店はプライバシを維持しながら需要予測のためのモデルパラメータを共有できる。異種小売データの需要予測に適したプライバシ適応クラスタ型フェデレートラーニング(PA-CFL)を提案する。
論文参考訳（メタデータ） (2025-03-15T18:07:54Z)
MITA: Bridging the Gap between Model and Data for Test-time Adaptation [68.62509948690698]
テスト時間適応(TTA)は、モデルの一般化性を高めるための有望なパラダイムとして登場した。本稿では,Met-In-The-MiddleをベースとしたMITAを提案する。
論文参考訳（メタデータ） (2024-10-12T07:02:33Z)
CorBin-FL: A Differentially Private Federated Learning Mechanism using Common Randomness [6.881974834597426]
Federated Learning (FL)は、分散機械学習のための有望なフレームワークとして登場した。相関2値量子化を用いて差分プライバシーを実現するプライバシー機構であるCorBin-FLを導入する。また,PLDP,ユーザレベル,サンプルレベルの中央差分プライバシー保証に加えて,AugCorBin-FLも提案する。
論文参考訳（メタデータ） (2024-09-20T00:23:44Z)
Conformal Diffusion Models for Individual Treatment Effect Estimation and Inference [6.406853903837333]
個々の治療効果は、個々のレベルで最もきめ細かい治療効果を提供する。本稿では,これらの複雑な課題に対処する共形拡散モデルに基づく新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-08-02T21:35:08Z)
Incentives in Private Collaborative Machine Learning [56.84263918489519]
コラボレーション型機械学習は、複数のパーティのデータに基づいてモデルをトレーニングする。インセンティブとして差分プライバシー(DP)を導入する。合成および実世界のデータセットに対するアプローチの有効性と実用性を実証的に実証した。
論文参考訳（メタデータ） (2024-04-02T06:28:22Z)
Spectral Co-Distillation for Personalized Federated Learning [69.97016362754319]
本稿では,モデルスペクトル情報に基づく新しい蒸留法を提案する。また、汎用モデルトレーニングとパーソナライズモデルトレーニングの双方向ブリッジを確立するための共蒸留フレームワークも導入する。提案したスペクトル共蒸留法の有効性と性能を実証し,また,待ち時間のないトレーニングプロトコルについて述べる。
論文参考訳（メタデータ） (2024-01-29T16:01:38Z)
Distributional Counterfactual Explanations With Optimal Transport [7.597676579494146]
対実的説明 (CE) は、ブラックボックスの意思決定モデルに関する洞察を提供するための事実上の方法である。本稿では,観測データの分布特性に焦点を移すDCE(distributal counterfactual explanation)を提案する。
論文参考訳（メタデータ） (2024-01-23T21:48:52Z)
Automated discovery of trade-off between utility, privacy and fairness in machine learning models [8.328861861105889]
手動制約設定プロセスによって達成された既知の結果の再現にPFairDPをどのように利用できるかを示す。さらに,複数のモデルとデータセットを用いたPFairDPの有効性を示す。
論文参考訳（メタデータ） (2023-11-27T10:28:44Z)
Leveraging Diffusion Disentangled Representations to Mitigate Shortcuts in Underspecified Visual Tasks [92.32670915472099]
拡散確率モデル(DPM)を用いた合成カウンターファクトの生成を利用したアンサンブルの多様化フレームワークを提案する。拡散誘導型分散化は,データ収集を必要とする従来の手法に匹敵するアンサンブル多様性を達成し,ショートカットからの注意を回避できることを示す。
論文参考訳（メタデータ） (2023-10-03T17:37:52Z)
Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
公正な制約を課すための詳細なデータ拡張戦略を提案する。グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
論文参考訳（メタデータ） (2023-04-01T11:23:00Z)
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)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
論文参考訳（メタデータ） (2023-01-27T04:54:12Z)
Controllable Guarantees for Fair Outcomes via Contrastive Information Estimation [32.37031528767224]
トレーニングデータセットにおけるバイアスの制御は、下流のアプリケーションで異なるグループ間で平等に扱われることを保証するために不可欠である。対比情報推定器に基づく相互情報によるパリティ制御の効果的な方法を示す。 uci成人および遺産健康データセットに対する我々のアプローチをテストし、このアプローチが所望のパリティ閾値にまたがってより有益な表現を提供することを実証する。
論文参考訳（メタデータ） (2021-01-11T18:57:33Z)
Fairness by Explicability and Adversarial SHAP Learning [0.0]
本稿では,外部監査役の役割とモデル説明可能性を強調するフェアネスの新たな定義を提案する。逆代理モデルのSHAP値から構築した正規化を用いてモデルバイアスを緩和するフレームワークを開発する。合成データセット、UCIアダルト(国勢調査)データセット、実世界の信用評価データセットである。
論文参考訳（メタデータ） (2020-03-11T14:36:34Z)

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。