論文の概要: Thinking Outside the Box: Orthogonal Approach to Equalizing Protected Attributes

• arxiv url: http://arxiv.org/abs/2311.14733v1
• Date: Tue, 21 Nov 2023 13:48:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-03 13:42:34.534930
• Title: Thinking Outside the Box: Orthogonal Approach to Equalizing Protected Attributes
• Title（参考訳）: 箱の外を考える:保護属性の等式化への直交的アプローチ
• Authors: Jiahui Liu, Xiaohao Cai and Mahesan Niranjan
• Abstract要約: ブラックボックスAIは、臨床意思決定における健康に関する格差とバイアスを悪化させる可能性がある。 本研究は、共同創設者の効果を分析し、抑制することを目的とした機械学習に基づくアプローチを提案する。
• 参考スコア（独自算出の注目度）: 6.852292115526837
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: There is growing concern that the potential of black box AI may exacerbate health-related disparities and biases such as gender and ethnicity in clinical decision-making. Biased decisions can arise from data availability and collection processes, as well as from the underlying confounding effects of the protected attributes themselves. This work proposes a machine learning-based orthogonal approach aiming to analyze and suppress the effect of the confounder through discriminant dimensionality reduction and orthogonalization of the protected attributes against the primary attribute information. By doing so, the impact of the protected attributes on disease diagnosis can be realized, undesirable feature correlations can be mitigated, and the model prediction performance can be enhanced.
• Abstract（参考訳）: ブラックボックスAIの可能性は、臨床意思決定における健康に関する格差や性別や民族性などの偏見を悪化させる可能性があるとの懸念が高まっている。 バイアスのある決定は、データ可用性と収集プロセス、および保護された属性自体の基盤となる効果から生じる。 本研究は,保護属性の識別的次元化と直交化を通じて,共同創設者の効果を解析・抑制することを目的とした機械学習に基づく直交的アプローチを提案する。 これにより、保護された属性が疾患診断に与える影響を認識し、望ましくない特徴相関を緩和し、モデル予測性能を向上させることができる。

関連論文リスト

• Unified Uncertainty Estimation for Cognitive Diagnosis Models [70.46998436898205]
  本稿では,幅広い認知診断モデルに対する統一的不確実性推定手法を提案する。 診断パラメータの不確かさをデータ・アスペクトとモデル・アスペクトに分解する。 本手法は有効であり,認知診断の不確実性に関する有用な知見を提供することができる。
  論文  参考訳（メタデータ） (2024-03-09T13:48:20Z)
• Post-hoc Orthogonalization for Mitigation of Protected Feature Bias in CXR Embeddings [10.209740962369453]
  深層学習モデルの胸部X線写真埋め込みにおける保護的特徴効果の分析と除去を行う。 実験では、保護された特徴が病理の予測に重大な影響を及ぼすことが示された。
  論文  参考訳（メタデータ） (2023-11-02T15:59:00Z)
• Benchmarking Heterogeneous Treatment Effect Models through the Lens of Interpretability [82.29775890542967]
  治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。 ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。 我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
  論文  参考訳（メタデータ） (2022-06-16T17:59:05Z)
• Unlearning Protected User Attributes in Recommendations with Adversarial Training [10.268369743620159]
  協調フィルタリングアルゴリズムは、特定の人口統計やユーザーの保護された情報を含む、基礎となる消費パターンをキャプチャする。 これらの符号化バイアスは、様々な階層のサブグループに提供されるコンテンツのさらなる分離に向けたレコメンデーションシステムの決定に影響を与える可能性がある。 本研究では,RSアルゴリズムの学習的相互作用表現から,ユーザの特定の保護された情報を除去する可能性と課題について検討する。
  論文  参考訳（メタデータ） (2022-06-09T13:36:28Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Marrying Fairness and Explainability in Supervised Learning [0.0]
  我々は、保護属性の直接的な因果効果として直接識別を定式化する。 我々は、最先端のフェアラーニング手法は、関連性や逆の差別によって差別を誘発することができることを発見した。 本稿では,保護された属性がシステムの出力に与える影響を無効にするとともに,残りの特徴の影響を保存することを提案する。
  論文  参考訳（メタデータ） (2022-04-06T17:26:58Z)
• Dikaios: Privacy Auditing of Algorithmic Fairness via Attribute Inference Attacks [0.5801044612920815]
  モデルビルダーのための公正性アルゴリズムのためのプライバシ監査ツールであるDikaiosを提案する。 適応予測しきい値を持つ属性推論攻撃は,前回の攻撃よりも有意に優れていた。
  論文  参考訳（メタデータ） (2022-02-04T17:19:59Z)
• Measuring Fairness Under Unawareness of Sensitive Attributes: A Quantification-Based Approach [131.20444904674494]
  センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。 定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
  論文  参考訳（メタデータ） (2021-09-17T13:45:46Z)
• Estimating and Improving Fairness with Adversarial Learning [65.99330614802388]
  本研究では,深層学習に基づく医療画像解析システムにおけるバイアスの同時緩和と検出を目的としたマルチタスク・トレーニング戦略を提案する。 具体的には,バイアスに対する識別モジュールと,ベース分類モデルにおける不公平性を予測するクリティカルモジュールを追加することを提案する。 大規模で利用可能な皮膚病変データセットのフレームワークを評価します。
  論文  参考訳（メタデータ） (2021-03-07T03:10:32Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

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。