Fugu-MT 論文翻訳(概要): Fair Canonical Correlation Analysis

論文の概要: Fair Canonical Correlation Analysis

arxiv url: http://arxiv.org/abs/2309.15809v1
Date: Wed, 27 Sep 2023 17:34:13 GMT
ステータス: 処理完了
システム内更新日: 2023-09-28 12:32:30.890966
Title: Fair Canonical Correlation Analysis
Title（参考訳）: 公正な正準相関解析
Authors: Zhuoping Zhou, Davoud Ataee Tarzanagh, Bojian Hou, Boning Tong, Jia Xu, Yanbo Feng, Qi Long, Li Shen
Abstract要約: 正準相関解析(CCA)は2つの変数間の関係を調べるために広く用いられている手法である。保護属性に関連付けられた相関不一致誤差を最小限に抑えることで不公平を軽減できる枠組みを提案する。
参考スコア（独自算出の注目度）: 14.206538828733507
License: http://creativecommons.org/licenses/by/4.0/
Abstract: This paper investigates fairness and bias in Canonical Correlation Analysis (CCA), a widely used statistical technique for examining the relationship between two sets of variables. We present a framework that alleviates unfairness by minimizing the correlation disparity error associated with protected attributes. Our approach enables CCA to learn global projection matrices from all data points while ensuring that these matrices yield comparable correlation levels to group-specific projection matrices. Experimental evaluation on both synthetic and real-world datasets demonstrates the efficacy of our method in reducing correlation disparity error without compromising CCA accuracy.
Abstract（参考訳）: 本稿では,2つの変数間の関係を調べるために広く用いられている統計手法であるCanonical correlation Analysis (CCA)の公平性とバイアスについて検討する。保護属性に関連する相関不一致誤差を最小化することにより不公平を軽減できる枠組みを提案する。提案手法により,CCAはすべてのデータポイントから大域的射影行列を学習し,これらの行列がグループ固有の射影行列と同等の相関レベルを得られることを保証できる。合成データと実世界のデータの両方に対する実験的評価により,cca精度を損なうことなく相関不一致を低減できることを示した。

関連論文リスト

The radius of statistical efficiency [8.771678221101368]
統計的効率半径(RSE)という推定問題のロバスト性尺度を導入する。 RSEはフィッシャー情報行列特異点を与える問題データに対する最小の摂動の大きさである。数値解析において古典的エッカート・ヤングの定理と平行して, RSE と問題インスタンスの内在的複雑性/感度の正確な相互関係を観察する。
論文参考訳（メタデータ） (2024-05-15T19:36:08Z)
Synergistic eigenanalysis of covariance and Hessian matrices for enhanced binary classification [72.77513633290056]
本稿では, 学習モデルを用いて評価したヘッセン行列をトレーニングセットで評価した共分散行列の固有解析と, 深層学習モデルで評価したヘッセン行列を組み合わせた新しい手法を提案する。本手法は複雑なパターンと関係を抽出し,分類性能を向上する。
論文参考訳（メタデータ） (2024-02-14T16:10:42Z)
Correlation visualization under missing values: a comparison between imputation and direct parameter estimation methods [4.963490281438653]
様々なデータ手法が相関プロットに与える影響を比較し,ランダムとモノトーンという2つの共通欠落パターンに着目した。実験では, 直接パラメータ推定手法であるDPERを用いて相関行列をプロットすることを推奨する。
論文参考訳（メタデータ） (2023-05-10T10:52:30Z)
Direct-Effect Risk Minimization for Domain Generalization [11.105832297850188]
本稿では、因果推論による直接的および間接的効果の概念を領域一般化問題に導入する。直接効果を学習するモデルは、相関シフトしたドメイン間で最悪のケースリスクを最小限に抑えると我々は主張する。 5つの相関シフトデータセットとDomainBedベンチマークの実験により、我々のアプローチの有効性が検証された。
論文参考訳（メタデータ） (2022-11-26T15:35:36Z)
Scalable Intervention Target Estimation in Linear Models [52.60799340056917]
因果構造学習への現在のアプローチは、既知の介入目標を扱うか、仮説テストを使用して未知の介入目標を発見する。本稿では、全ての介入対象を一貫して識別するスケーラブルで効率的なアルゴリズムを提案する。提案アルゴリズムは、与えられた観測マルコフ同値クラスを介入マルコフ同値クラスに更新することも可能である。
論文参考訳（メタデータ） (2021-11-15T03:16:56Z)
A connection between the pattern classification problem and the General Linear Model for statistical inference [0.2320417845168326]
両方のアプローチ、すなわち。 GLM および LRM は、異なったドメイン、観察およびラベルドメインに適用します。より洗練された予測アルゴリズムに基づく統計的検査を導出する。 MLEベースの推論は、残留スコアを採用し、実際の(実際の)エラーのより良い推定を計算するために上界を含む。
論文参考訳（メタデータ） (2020-12-16T12:26:26Z)
Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文参考訳（メタデータ） (2020-07-30T05:48:48Z)
Accounting for Unobserved Confounding in Domain Generalization [107.0464488046289]
本稿では,データセットの組み合わせから頑健で一般化可能な予測モデルを学習する際の問題点について検討する。堅牢なモデルを学ぶことの課題の一部は、保存されていない共同設立者の影響にある。異なるモダリティの医療データに対するアプローチの実証的性能を実証する。
論文参考訳（メタデータ） (2020-07-21T08:18:06Z)
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)
Asymptotic Analysis of an Ensemble of Randomly Projected Linear Discriminants [94.46276668068327]
[1]では、ランダムに投影された線形判別式のアンサンブルを用いてデータセットを分類する。我々は,計算コストのかかるクロスバリデーション推定器の代替として,誤分類確率の一貫した推定器を開発する。また、実データと合成データの両方で投影次元を調整するための推定器の使用を実証する。
論文参考訳（メタデータ） (2020-04-17T12:47:04Z)

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。