論文の概要: Adaptation Speed Analysis for Fairness-aware Causal Models

• arxiv url: http://arxiv.org/abs/2308.16879v1
• Date: Thu, 31 Aug 2023 17:36:57 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-01 13:32:16.340211
• Title: Adaptation Speed Analysis for Fairness-aware Causal Models
• Title（参考訳）: フェアネス認識因果モデルに対する適応速度解析
• Authors: Yujie Lin, Chen Zhao, Minglai Shao, Xujiang Zhao, Haifeng Chen
• Abstract要約: 機械翻訳タスクでは、2つの言語間の双方向翻訳を実現するために、ソースコーパスがターゲットコーパスとしてしばしば使用される。 ドメインシフトに最も早く適応できるかという問題は、多くの分野において非常に重要である。
• 参考スコア（独自算出の注目度）: 34.116613732724815
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: For example, in machine translation tasks, to achieve bidirectional translation between two languages, the source corpus is often used as the target corpus, which involves the training of two models with opposite directions. The question of which one can adapt most quickly to a domain shift is of significant importance in many fields. Specifically, consider an original distribution p that changes due to an unknown intervention, resulting in a modified distribution p*. In aligning p with p*, several factors can affect the adaptation rate, including the causal dependencies between variables in p. In real-life scenarios, however, we have to consider the fairness of the training process, and it is particularly crucial to involve a sensitive variable (bias) present between a cause and an effect variable. To explore this scenario, we examine a simple structural causal model (SCM) with a cause-bias-effect structure, where variable A acts as a sensitive variable between cause (X) and effect (Y). The two models, respectively, exhibit consistent and contrary cause-effect directions in the cause-bias-effect SCM. After conducting unknown interventions on variables within the SCM, we can simulate some kinds of domain shifts for analysis. We then compare the adaptation speeds of two models across four shift scenarios. Additionally, we prove the connection between the adaptation speeds of the two models across all interventions.
• Abstract（参考訳）: 例えば、機械翻訳タスクでは、2つの言語間の双方向翻訳を達成するために、ソースコーパスがターゲットコーパスとしてよく使われ、これは反対方向の2つのモデルのトレーニングを伴う。 ドメインシフトに最も早く適応できるかという問題は、多くの分野において非常に重要である。 特に、未知の介入によって変化する元の分布 p を考えると、修正された分布 p* が得られる。 p を p* に合わせる場合、p の変数間の因果依存性を含むいくつかの因子が適応率に影響を与える。 しかし、実際のシナリオでは、トレーニングプロセスの公平性を考慮する必要があり、特に、原因と効果変数の間にある敏感な変数(バイアス)を関与させることが重要である。 このシナリオを考察するために、変数Aが原因(X)と影響(Y)の間の敏感な変数として機能する原因バイアス効果構造を持つ単純な構造因果モデル(SCM)について検討する。 2つのモデルはそれぞれ、原因バイアス効果SCMにおいて、一貫性と反対の原因影響方向を示す。 SCM内の変数に対する未知の介入を行った後、分析のためにある種のドメインシフトをシミュレートすることができる。 次に,2つのモデルの適応速度を4つのシフトシナリオで比較する。 さらに,全ての介入における2つのモデルの適応速度の関連性を証明する。

関連論文リスト

• Proxy Methods for Domain Adaptation [78.03254010884783]
  プロキシ変数は、遅延変数を明示的にリカバリしたりモデル化したりすることなく、分散シフトへの適応を可能にする。 両設定の複雑な分散シフトに適応する2段階のカーネル推定手法を開発した。
  論文  参考訳（メタデータ） (2024-03-12T09:32:41Z)
• Deep Learning-based Group Causal Inference in Multivariate Time-series [8.073449277052495]
  多変量時空の非線形系における因果推論は、変数間の関係の複雑な網を遠ざけるのに役立っている。 本研究では,学習した深層ネットワークに対するグループレベルの介入によるモデルの不変性を検証し,変数群の因果方向を推定する。
  論文  参考訳（メタデータ） (2024-01-16T14:19:28Z)
• Variational Counterfactual Prediction under Runtime Domain Corruption [50.89405221574912]
  ドメインシフトとアクセス不能変数の同時発生 実行時ドメインの破損は、訓練済みの反事実予測器の一般化を著しく損なう。 我々は,新たな2段階の対向領域適応方式を用いて,VEGANという,対向的に統一された変分因果効果モデルを構築した。 VEGANは、ランタイムドメインの破損の有無で、個々のレベルの処理効果の推定において、他の最先端のベースラインよりも優れていることを実証する。
  論文  参考訳（メタデータ） (2023-06-23T02:54:34Z)
• A Causal Framework for Decomposing Spurious Variations [68.12191782657437]
  我々はマルコフモデルとセミマルコフモデルの急激な変分を分解するツールを開発する。 突発効果の非パラメトリック分解を可能にする最初の結果を証明する。 説明可能なAIや公平なAIから、疫学や医学における疑問まで、いくつかの応用がある。
  論文  参考訳（メタデータ） (2023-06-08T09:40:28Z)
• Causal Discovery in Heterogeneous Environments Under the Sparse Mechanism Shift Hypothesis [7.895866278697778]
  機械学習のアプローチは、一般に独立で同一に分散されたデータ(すなわち、d)の仮定に依存する。 実際、この仮定は環境間の分散シフトによってほとんど常に破られる。 そこで我々は,様々な経験的推定器に適用可能なスコアベースアプローチであるメカニズムシフトスコア(MSS)を提案する。
  論文  参考訳（メタデータ） (2022-06-04T15:39:30Z)
• Learning Latent Causal Dynamics [14.762231867144065]
  時間遅延型因果変数を復元する原理的フレームワークLiLYを提案する。 次に、異なる分布シフトの下で測定された時間データからそれらの関係を同定する。 修正ステップは、いくつかのサンプルで低次元の変化係数を学習するものとして定式化される。
  論文  参考訳（メタデータ） (2022-02-10T04:23:32Z)
• Counterfactual Invariance to Spurious Correlations: Why and How to Pass Stress Tests [87.60900567941428]
  素早い相関」とは、アナリストが重要とすべきでないと考える入力データのある側面に対するモデルの依存である。 機械学習では、これらにはノウ・イ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ・ウ」という特徴がある。 因果推論ツールを用いたストレステストについて検討した。
  論文  参考訳（メタデータ） (2021-05-31T14:39:38Z)
• An Analysis of the Adaptation Speed of Causal Models [80.77896315374747]
  最近、Bengioらは、すべての候補モデルの中で、$G$は、あるデータセットから別のデータセットに適応する最速のモデルであると推測した。 最適化からの収束率を用いた原因影響SCMの適応速度について検討する。 驚くべきことに、私たちは反因果モデルが有利である状況を見つけ、初期仮説を偽造する。
  論文  参考訳（メタデータ） (2020-05-18T23:48:56Z)
• A Critical View of the Structural Causal Model [89.43277111586258]
  相互作用を全く考慮せずに原因と効果を識別できることが示される。 本稿では,因果モデルの絡み合った構造を模倣する新たな逆行訓練法を提案する。 我々の多次元手法は, 合成および実世界の両方のデータセットにおいて, 文献的手法よりも優れている。
  論文  参考訳（メタデータ） (2020-02-23T22:52:28Z)

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。