論文の概要: FRAPP\'E: A Post-Processing Framework for Group Fairness Regularization
- arxiv url: http://arxiv.org/abs/2312.02592v1
- Date: Tue, 5 Dec 2023 09:09:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-06 16:15:54.982133
- Title: FRAPP\'E: A Post-Processing Framework for Group Fairness Regularization
- Title（参考訳）: FRAPP\'E: グループフェアネス規則化のための後処理フレームワーク
- Authors: Alexandru \c{T}ifrea, Preethi Lahoti, Ben Packer, Yoni Halpern, Ahmad
Beirami and Flavien Prost
- Abstract要約: 本稿では, ペナル化対象を持つ任意のインプロセッシング手法をポストプロセッシング手順に変換するための一般的なフレームワークを提案する。
提案手法は,実世界のデータに対して理論的および実験により,処理後の処理方法が,処理中の処理者が提示する公正なエラーのトレードオフに一致するか,あるいは超えるかを示す。
- 参考スコア（独自算出の注目度）: 50.24510773409576
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-processing mitigation techniques for group fairness generally adjust the
decision threshold of a base model in order to improve fairness. Methods in
this family exhibit several advantages that make them appealing in practice:
post-processing requires no access to the model training pipeline, is agnostic
to the base model architecture, and offers a reduced computation cost compared
to in-processing. Despite these benefits, existing methods face other
challenges that limit their applicability: they require knowledge of the
sensitive attributes at inference time and are oftentimes outperformed by
in-processing. In this paper, we propose a general framework to transform any
in-processing method with a penalized objective into a post-processing
procedure. The resulting method is specifically designed to overcome the
aforementioned shortcomings of prior post-processing approaches. Furthermore,
we show theoretically and through extensive experiments on real-world data that
the resulting post-processing method matches or even surpasses the
fairness-error trade-off offered by the in-processing counterpart.
- Abstract（参考訳）: グループフェアネスに対する後処理緩和技術は、通常、フェアネスを改善するためにベースモデルの決定しきい値を調整する。
後処理はモデルトレーニングパイプラインへのアクセスを必要とせず、ベースモデルアーキテクチャに非依存であり、内部処理と比較して計算コストの削減を提供する。
これらの利点にもかかわらず、既存のメソッドは適用性を制限する他の課題に直面している。
本稿では, ペナル化対象を持つ任意のインプロセッシング手法をポストプロセッシング手順に変換するための一般的な枠組みを提案する。
得られた手法は、前述の処理後アプローチの欠点を克服するために特別に設計されている。
さらに,実世界データに対する理論的および広範囲な実験を通じて,処理後の手法が処理対象のフェアネスエラートレードオフと一致するか,あるいは超えていることを示す。
関連論文リスト
- Multi-Output Distributional Fairness via Post-Processing [47.94071156898198]
本稿では,タスクに依存しない公平度尺度である分散パリティを高めるために,マルチ出力モデルに対する後処理手法を提案する。
提案手法では, モデル出力を実験的なワッサーシュタインバリセンタへ移動させるため, 最適トランスポートマッピングを用いる。
論文 参考訳（メタデータ） (2024-08-31T22:41:26Z) - FairRR: Pre-Processing for Group Fairness through Randomized Response [11.748613469340071]
グループフェアネスの尺度を最適モデルユーティリティで直接制御できることが示される。
本稿では,FairRRという,下流モデルの有用性と公平性を向上する前処理アルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-12T16:08:47Z) - Towards Better Understanding Attribution Methods [77.1487219861185]
モデル決定に最も影響を及ぼす画像領域を特定するために、ポストホック属性法が提案されている。
本稿では,これらの手法の忠実度をより確実に評価するための3つの新しい評価手法を提案する。
また,いくつかの属性法の性能を著しく向上する処理後平滑化ステップを提案する。
論文 参考訳（メタデータ） (2022-05-20T20:50:17Z) - Prescriptive Process Monitoring: Quo Vadis? [64.39761523935613]
本論文はシステム文献レビュー(SLR)を通して,本分野における既存手法について考察する。
SLRは今後の研究の課題や分野に関する洞察を提供し、規範的なプロセス監視手法の有用性と適用性を高めることができる。
論文 参考訳（メタデータ） (2021-12-03T08:06:24Z) - Conditional Meta-Learning of Linear Representations [57.90025697492041]
表現学習のための標準メタラーニングは、複数のタスク間で共有される共通の表現を見つけることを目的とする。
本研究では,タスクの側情報を手作業に適した表現にマッピングし,条件付け関数を推定することで,この問題を克服する。
この利点を実用的に活用できるメタアルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-03-30T12:02:14Z) - Application-Driven Learning: A Closed-Loop Prediction and Optimization Approach Applied to Dynamic Reserves and Demand Forecasting [41.94295877935867]
我々は、予測と意思決定のプロセスが統合され、協調最適化される新しいクローズドループフレームワークであるアプリケーション駆動学習を提案する。
提案手法は拡張性があり,標準のオープンループ手法よりも一貫して性能が向上することを示す。
論文 参考訳（メタデータ） (2021-02-26T02:43:28Z) - Impact of Data Processing on Fairness in Supervised Learning [30.419675300470573]
データ駆動意思決定者における差別を減らすために,前処理と後処理が与える影響について検討する。
いくつかの穏やかな条件下では、前処理が後処理より優れていることを示す。
論文 参考訳（メタデータ） (2021-02-03T04:11:39Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z)
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。