Fugu-MT 論文翻訳(概要): Reliability Gaps Between Groups in COMPAS Dataset

論文の概要: Reliability Gaps Between Groups in COMPAS Dataset

arxiv url: http://arxiv.org/abs/2308.15243v1
Date: Tue, 29 Aug 2023 12:09:22 GMT
ステータス: 処理完了
システム内更新日: 2023-08-30 14:17:37.147228
Title: Reliability Gaps Between Groups in COMPAS Dataset
Title（参考訳）: CompASデータセットにおけるグループ間の信頼性ギャップ
Authors: Tim R\"az
Abstract要約: 本稿ではリスクアセスメント機器(RAI)のレータ間信頼性について検討する。主な疑問は、異なる社会的に健全なグループがRAIの相互信頼の欠如によって異なる影響を受けるかどうかである。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: This paper investigates the inter-rater reliability of risk assessment instruments (RAIs). The main question is whether different, socially salient groups are affected differently by a lack of inter-rater reliability of RAIs, that is, whether mistakes with respect to different groups affects them differently. The question is investigated with a simulation study of the COMPAS dataset. A controlled degree of noise is injected into the input data of a predictive model; the noise can be interpreted as a synthetic rater that makes mistakes. The main finding is that there are systematic differences in output reliability between groups in the COMPAS dataset. The sign of the difference depends on the kind of inter-rater statistic that is used (Cohen's Kappa, Byrt's PABAK, ICC), and in particular whether or not a correction of predictions prevalences of the groups is used.
Abstract（参考訳）: 本稿では,リスク評価機器(RAI)のレータ間信頼性について検討する。主な疑問は、異なる社会的に健全な集団が、RAIの相互信頼の欠如、すなわち異なるグループに対する誤りがそれぞれ異なる影響を与えるかどうかである。本研究は,CompASデータセットのシミュレーション研究により検討した。制御されたノイズの度合いは予測モデルの入力データに注入され、ノイズは誤りを犯す合成レーダとして解釈できる。主な発見は、CompASデータセット内のグループ間で出力信頼性が体系的に異なることである。違いの徴候は、使用される格間統計(cohen's kappa, byrt's pabak, icc)の種類と、特に、グループの有病率の予測の補正が使用されるかどうかによって異なる。

関連論文リスト

Causal Machine Learning for Moderation Effects [0.0]
我々は、新しいパラメータ、バランス付きグループ平均治療効果(BGATE)を提案する。 2つのBGATEの違いをとることで、2つのGATEを比較するよりも、より意味のある異質性を分析することができる。追加の特定仮定を追加することで、グループ間の治療効果の特定のバランスの取れた差異を因果的に解釈することができる。
論文参考訳（メタデータ） (2024-01-16T11:34:59Z)
Variable Importance in High-Dimensional Settings Requires Grouping [19.095605415846187]
Conditional Permutation Importance (CPI)は、そのような場合のPIの制限をバイパスする。クラスタリングまたはいくつかの事前知識を介して統計的に変数をグループ化すると、ある程度のパワーバックが得られる。重み付けにより拡張された手法は,高相関なグループであっても,型Iエラーを制御可能であることを示す。
論文参考訳（メタデータ） (2023-12-18T00:21:47Z)
Binary Classification with Confidence Difference [100.08818204756093]
本稿では,信頼性差分法 (ConfDiff) という,弱教師付き二項分類問題について考察する。本稿では,この問題に対処するためのリスク一貫性のあるアプローチを提案し,推定誤差が最適収束率と一致することを示す。また,整合性や収束率も証明されたオーバーフィッティング問題を緩和するためのリスク補正手法も導入する。
論文参考訳（メタデータ） (2023-10-09T11:44:50Z)
On The Impact of Machine Learning Randomness on Group Fairness [11.747264308336012]
ニューラルネットワークのトレーニングにおけるランダム性の異なる源の群フェアネスへの影響について検討する。グループフェアネス尺度のばらつきは、非表現群における学習過程の高ボラティリティに根ざしていることを示す。一つのエポックに対してデータ順序を変更するだけで、モデル全体の性能に高い効率と無視可能な影響でグループレベルの精度を制御できることを示す。
論文参考訳（メタデータ） (2023-07-09T09:36:31Z)
D-BIAS: A Causality-Based Human-in-the-Loop System for Tackling Algorithmic Bias [57.87117733071416]
D-BIASは、人間のループ内AIアプローチを具現化し、社会的バイアスを監査し軽減する視覚対話型ツールである。ユーザは、因果ネットワークにおける不公平な因果関係を識別することにより、グループに対する偏見の存在を検出することができる。それぞれのインタラクション、例えばバイアスのある因果縁の弱体化/削除は、新しい(偏りのある)データセットをシミュレートするために、新しい方法を用いている。
論文参考訳（メタデータ） (2022-08-10T03:41:48Z)
Model-Based Approach for Measuring the Fairness in ASR [11.076999352942954]
興味のサブグループ間でのWER差をよりよく測定し解釈するために、混合効果ポアソン回帰を導入する。本稿では,合成音声データと実世界の音声データに対するモデルベースアプローチの有効性を示す。
論文参考訳（メタデータ） (2021-09-19T05:24:01Z)
Doing Great at Estimating CATE? On the Neglected Assumptions in Benchmark Comparisons of Treatment Effect Estimators [91.3755431537592]
もっとも単純な設定であっても、無知性仮定に基づく推定は誤解を招く可能性があることを示す。異種処理効果評価のための機械学習ベンチマークデータセットを2つ検討した。ベンチマークデータセットの固有の特性が、他のものよりもいくつかのアルゴリズムを好んでいる点を強調します。
論文参考訳（メタデータ） (2021-07-28T13:21:27Z)
Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文参考訳（メタデータ） (2021-06-14T05:39:09Z)
Multi-Source Causal Inference Using Control Variates [81.57072928775509]
本稿では,複数のデータソースから因果効果を推定するアルゴリズムを提案する。理論的には、これはATE推定値の分散を減少させる。このフレームワークを結果選択バイアスの下で観測データからの推論に適用する。
論文参考訳（メタデータ） (2021-03-30T21:20:51Z)
Targeted VAE: Variational and Targeted Learning for Causal Inference [39.351088248776435]
観測データによる因果推論は、幅広いタスクで非常に有用である。観察データを用いた因果推論の実施には,2つの重要な課題がある。構造化推論とターゲット学習を組み合わせることで、これらの2つの課題に対処する。
論文参考訳（メタデータ） (2020-09-28T16:55:24Z)
On Disentangled Representations Learned From Correlated Data [59.41587388303554]
相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
論文参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。