論文の概要: Pursuing Counterfactual Fairness via Sequential Autoencoder Across Domains

• arxiv url: http://arxiv.org/abs/2309.13005v1
• Date: Fri, 22 Sep 2023 17:08:20 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-25 13:38:28.878747
• Title: Pursuing Counterfactual Fairness via Sequential Autoencoder Across Domains
• Title（参考訳）: ドメイン間のシーケンシャルオートエンコーダによる反事実公平性追求
• Authors: Yujie Lin, Chen Zhao, Minglai Shao, Baoluo Meng, Xujiang Zhao, Haifeng Chen
• Abstract要約: 逐次オートエンコーダ(CDSAE)を用いたファクトファクトフェアネス対応ドメイン一般化という,革新的なフレームワークを導入する。 このアプローチは, 環境情報やセンシティブな属性を, 分類特徴の組込み表現から効果的に分離する。 公平な規則化を取り入れることで、分類目的のセマンティック情報のみを活用できる。
• 参考スコア（独自算出の注目度）: 32.1884654899725
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Recognizing the prevalence of domain shift as a common challenge in machine learning, various domain generalization (DG) techniques have been developed to enhance the performance of machine learning systems when dealing with out-of-distribution (OOD) data. Furthermore, in real-world scenarios, data distributions can gradually change across a sequence of sequential domains. While current methodologies primarily focus on improving model effectiveness within these new domains, they often overlook fairness issues throughout the learning process. In response, we introduce an innovative framework called Counterfactual Fairness-Aware Domain Generalization with Sequential Autoencoder (CDSAE). This approach effectively separates environmental information and sensitive attributes from the embedded representation of classification features. This concurrent separation not only greatly improves model generalization across diverse and unfamiliar domains but also effectively addresses challenges related to unfair classification. Our strategy is rooted in the principles of causal inference to tackle these dual issues. To examine the intricate relationship between semantic information, sensitive attributes, and environmental cues, we systematically categorize exogenous uncertainty factors into four latent variables: 1) semantic information influenced by sensitive attributes, 2) semantic information unaffected by sensitive attributes, 3) environmental cues influenced by sensitive attributes, and 4) environmental cues unaffected by sensitive attributes. By incorporating fairness regularization, we exclusively employ semantic information for classification purposes. Empirical validation on synthetic and real-world datasets substantiates the effectiveness of our approach, demonstrating improved accuracy levels while ensuring the preservation of fairness in the evolving landscape of continuous domains.
• Abstract（参考訳）: 機械学習における共通課題としてドメインシフトが広まることを認識し,アウト・オブ・ディストリビューション(ood)データを扱う機械学習システムの性能を高めるために,様々なドメイン一般化(dg)手法が開発されている。 さらに、実世界のシナリオでは、データ分散はシーケンシャルなドメインのシーケンス間で徐々に変化することができる。 現在の方法論は主にこれらの新しい領域におけるモデルの有効性の改善に焦点を当てているが、学習プロセス全体を通して公平性の問題を見落としていることが多い。 これに応答して,シーケンシャルオートエンコーダ(cdsae)を用いたファクトファクトフルフェアネスアウェアドメイン一般化という革新的な枠組みを提案する。 このアプローチは, 環境情報やセンシティブな属性を, 分類特徴の埋め込み表現から効果的に分離する。 この同時分離は、多様かつ不慣れな領域におけるモデルの一般化を大幅に改善するだけでなく、不公平な分類に関わる課題に効果的に対処する。 私たちの戦略は、これらの二重問題に取り組むための因果推論の原則に根ざしています。 セマンティクス情報とセンシティブな属性と環境要因の複雑な関係を調べるために,外因性不確実性因子を4つの潜在変数に体系的に分類する。 1)敏感な属性に影響された意味情報 2)機密属性の影響を受けない意味情報 3)敏感な属性に影響された環境基準 4) 環境基準は, 感度特性の影響を受けない。 公平性の正規化を組み込むことで、分類目的にのみ意味情報を用いる。 合成および実世界のデータセットに対する実証的検証は、我々のアプローチの有効性を裏付け、改善された精度レベルを示しながら、継続的なドメインの進化する景観における公正性の維持を保証する。

関連論文リスト

• FEED: Fairness-Enhanced Meta-Learning for Domain Generalization [13.757379847454372]
  モデルフェアネスを認識しながら配布外データに一般化することは、メタラーニングにおいて重要かつ困難な問題である。 本稿では,ドメインの一般化能力を大幅に向上させるフェアネスを考慮したメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T17:34:33Z)
• Learning Fair Invariant Representations under Covariate and Correlation Shifts Simultaneously [10.450977234741524]
  フェアネスを意識したドメイン不変予測器の学習に焦点をあてた,新しい手法を提案する。 提案手法は, モデル精度だけでなく, グループ的, 個人的公正性についても, 最先端の手法を超越した手法である。
  論文  参考訳（メタデータ） (2024-08-18T00:01:04Z)
• Adaptive Global-Local Representation Learning and Selection for Cross-Domain Facial Expression Recognition [54.334773598942775]
  ドメインシフトは、クロスドメイン顔表情認識(CD-FER)において重要な課題となる 適応的グローバルローカル表現学習・選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-01-20T02:21:41Z)
• Algorithmic Fairness Generalization under Covariate and Dependence Shifts Simultaneously [28.24666589680547]
  公平かつ不変な分類器の学習を目的とした,単純かつ効果的な手法を提案する。 モデルを用いて様々な合成データドメインを拡張することにより、ソースドメインの公平かつ不変な分類器を学習する。 この分類器は未知の対象領域に一般化することができ、モデル予測と公平性の懸念の両方を維持できる。
  論文  参考訳（メタデータ） (2023-11-23T05:52:00Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• Fair Classification via Domain Adaptation: A Dual Adversarial Learning Approach [14.344142985726853]
  公平な分類のための領域適応を探求する新しい問題について検討する。 対象ドメインの公平な分類のために、ソースドメインからセンシティブな属性を適応させる新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-08T02:53:18Z)
• A Style and Semantic Memory Mechanism for Domain Generalization [108.98041306507372]
  ドメイン内スタイルの不変性は、ドメインの一般化の効率を改善する上で重要な要素である。 本稿では,ドメイン間の意味的特徴の共通性を学習する上で特に有効な,新しい「判断」機構を提案する。 提案手法は最先端の手法をクリアマージンで超越している。
  論文  参考訳（メタデータ） (2021-12-14T16:23:24Z)
• Adaptively-Accumulated Knowledge Transfer for Partial Domain Adaptation [66.74638960925854]
  部分ドメイン適応(PDA)は、ソースドメインラベル空間がターゲットドメインを置き換えるとき、現実的で困難な問題を扱う。 本稿では,2つの領域にまたがる関連カテゴリを整合させる適応的知識伝達フレームワーク(A$2KT)を提案する。
  論文  参考訳（メタデータ） (2020-08-27T00:53:43Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。