論文の概要: FRAPP\'E: A Group Fairness Framework for Post-Processing Everything

• arxiv url: http://arxiv.org/abs/2312.02592v2
• Date: Mon, 26 Feb 2024 17:58:42 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-28 21:38:25.719522
• Title: FRAPP\'E: A Group Fairness Framework for Post-Processing Everything
• Title（参考訳）: FRAPP\'E: すべて後処理のためのグループフェアネスフレームワーク
• Authors: Alexandru \c{T}ifrea, Preethi Lahoti, Ben Packer, Yoni Halpern, Ahmad Beirami and Flavien Prost
• Abstract要約: 本稿では,任意の正規化インプロセッシング手法をポストプロセッシング手法に変換するフレームワークを提案する。 理論的および実験を通して、我々のフレームワークは、内部処理で達成された優れた公正なエラートレードオフを保っていることを示す。
• 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: Despite achieving promising fairness-error trade-offs, in-processing mitigation techniques for group fairness cannot be employed in numerous practical applications with limited computation resources or no access to the training pipeline of the prediction model. In these situations, post-processing is a viable alternative. However, current methods are tailored to specific problem settings and fairness definitions and hence, are not as broadly applicable as in-processing. In this work, we propose a framework that turns any regularized in-processing method into a post-processing approach. This procedure prescribes a way to obtain post-processing techniques for a much broader range of problem settings than the prior post-processing literature. We show theoretically and through extensive experiments that our framework preserves the good fairness-error trade-offs achieved with in-processing and can improve over the effectiveness of prior post-processing methods. Finally, we demonstrate several advantages of a modular mitigation strategy that disentangles the training of the prediction model from the fairness mitigation, including better performance on tasks with partial group labels.
• Abstract（参考訳）: 有望なフェアネスエラートレードオフを達成しているにもかかわらず、グループフェアネスのインプロセッシング緩和技術は、限られた計算資源や予測モデルのトレーニングパイプラインにアクセスできない多くの実用的なアプリケーションには適用できない。 このような状況下では、後処理は実行可能な代替手段です。 しかし、現在の手法は特定の問題設定や公平性の定義に合わせて調整されているため、インプロセッシングほど広く適用できない。 本稿では,任意の正規化処理メソッドを後処理アプローチに変換するフレームワークを提案する。 本手法は,従来の後処理文献よりも幅広い問題設定のための後処理技術を得る方法を規定する。 理論上, 広範囲にわたる実験により, 本フレームワークはインプロセッシングによって達成された公正・エラートレードオフを保ち, 先行処理手法の有効性を向上できることを示した。 最後に,部分群ラベルを用いたタスクの性能向上など,予測モデルのトレーニングを公平性緩和から切り離すモジュラー緩和戦略のいくつかの利点を実証する。

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。