論文の概要: Long-Term Fair Decision Making through Deep Generative Models
- arxiv url: http://arxiv.org/abs/2401.11288v1
- Date: Sat, 20 Jan 2024 17:44:50 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-23 17:06:19.961218
- Title: Long-Term Fair Decision Making through Deep Generative Models
- Title(参考訳): 深部生成モデルによる長期的公正意思決定
- Authors: Yaowei Hu, Yongkai Wu, Lu Zhang
- Abstract要約: 本稿では,連続的な意思決定システムにおいて,グループ格差を長期にわたって緩和することを目的とした,長期的公正な機械学習について検討する。
時間的因果グラフを利用して、異なる人口集団の介入分布間の1-ワッサーシュタイン距離を定量的な尺度として十分に大きな時間ステップで利用する。
深層生成モデルにより生成された高忠実度データに基づいて決定モデルを訓練する3相学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 12.333165351086171
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper studies long-term fair machine learning which aims to mitigate
group disparity over the long term in sequential decision-making systems. To
define long-term fairness, we leverage the temporal causal graph and use the
1-Wasserstein distance between the interventional distributions of different
demographic groups at a sufficiently large time step as the quantitative
metric. Then, we propose a three-phase learning framework where the decision
model is trained on high-fidelity data generated by a deep generative model. We
formulate the optimization problem as a performative risk minimization and
adopt the repeated gradient descent algorithm for learning. The empirical
evaluation shows the efficacy of the proposed method using both synthetic and
semi-synthetic datasets.
- Abstract(参考訳): 本稿では,逐次的意思決定システムにおいて,長期にわたる集団格差を軽減することを目的とした,長期公平な機械学習について検討する。
長期的公正性を定義するため,時間的因果グラフを活用し,異なる人口集団の介入分布間の1-ワッサーシュタイン距離を定量的指標として十分大きな時間ステップで用いる。
そこで本研究では,深層生成モデルにより生成された高忠実度データに基づいて決定モデルを学習する3段階学習フレームワークを提案する。
最適化問題を性能的リスク最小化として定式化し、繰り返し勾配降下アルゴリズムを学習に適用する。
実験評価の結果,合成データと半合成データの両方を用いた提案手法の有効性が示された。
関連論文リスト
- Towards Theoretical Understandings of Self-Consuming Generative Models [60.98692028151328]
本稿では,自己消費ループ内で生成モデルを訓練する新たな課題に取り組む。
我々は,この学習規則が将来のモデルで学習したデータ分布に与える影響を厳格に評価するための理論的枠組みを構築した。
我々は拡散モデルに一般結果を特化し、自己消費ループ内での最適な早期停止の有効性などの微妙な洞察を提供する。
論文 参考訳(メタデータ) (2024-02-19T02:08:09Z) - Deep Ensembles Meets Quantile Regression: Uncertainty-aware Imputation
for Time Series [49.992908221544624]
時系列データは、しばしば多くの欠落した値を示し、これは時系列計算タスクである。
従来の深層学習法は時系列計算に有効であることが示されている。
本研究では,不確実性のある高精度な計算を行う非生成時系列計算法を提案する。
論文 参考訳(メタデータ) (2023-12-03T05:52:30Z) - Operator Learning for Continuous Spatial-Temporal Model with
Gradient-Based and Derivative-Free Optimization Methods [0.0]
我々は、最近の演算子学習の進歩の上に構築され、空間と時間の両方で連続的なデータ駆動モデリングフレームワークを提示します。
提案モデルの主な特徴は、空間的および時間的離散化の両方に関して分解能不変性である。
提案手法は,ハイブリッド最適化方式により,より長期統計量の予測が可能であることを示す。
論文 参考訳(メタデータ) (2023-11-20T14:31:18Z) - Continuous-Time Modeling of Counterfactual Outcomes Using Neural
Controlled Differential Equations [84.42837346400151]
反現実的な結果を予測することは、パーソナライズされたヘルスケアをアンロックする可能性がある。
既存の因果推論アプローチでは、観察と治療決定の間の通常の離散時間間隔が考慮されている。
そこで本研究では,腫瘍増殖モデルに基づく制御可能なシミュレーション環境を提案する。
論文 参考訳(メタデータ) (2022-06-16T17:15:15Z) - Model-Based Deep Learning: On the Intersection of Deep Learning and
Optimization [101.32332941117271]
決定アルゴリズムは様々なアプリケーションで使われている。
数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。
モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
論文 参考訳(メタデータ) (2022-05-05T13:40:08Z) - Achieving Long-Term Fairness in Sequential Decision Making [9.046461405943502]
本稿では,長期的公正な意思決定を実現するための枠組みを提案する。
我々は,長期的公正度を測定するための定量的ツールとして,時間ラベル付き因果グラフに対する経路特異的な効果を考察した。
論文 参考訳(メタデータ) (2022-04-04T20:05:44Z) - Deep Learning with Multiple Data Set: A Weighted Goal Programming
Approach [2.7393821783237184]
大規模データ分析は、我々の社会でデータが増大するにつれて、指数的な速度で成長している。
ディープラーニングモデルはたくさんのリソースを必要とし、分散トレーニングが必要です。
本稿では,分散学習のためのマルチ基準アプローチを提案する。
論文 参考訳(メタデータ) (2021-11-27T07:10:25Z) - Closed-form Continuous-Depth Models [99.40335716948101]
連続深度ニューラルモデルは高度な数値微分方程式解法に依存している。
我々は,CfCネットワークと呼ばれる,記述が簡単で,少なくとも1桁高速な新しいモデル群を提示する。
論文 参考訳(メタデータ) (2021-06-25T22:08:51Z) - State-Visitation Fairness in Average-Reward MDPs [5.190207094732672]
我々は,時間的拡大した意思決定,特にマルコフ決定プロセス(mdps)を定式化した意思決定場面における公平性について検討する。
提案する公平性の概念は,各州の長期訪問頻度が指定された割合以上であることを保証する。
提案手法は,予測平均逆方向と長期状態視周波数の同時近似を保証する。
論文 参考訳(メタデータ) (2021-02-14T10:20:53Z) - SODEN: A Scalable Continuous-Time Survival Model through Ordinary
Differential Equation Networks [14.564168076456822]
本稿では、ニューラルネットワークとスケーラブルな最適化アルゴリズムを用いた生存分析のためのフレキシブルモデルを提案する。
提案手法の有効性を,既存の最先端ディープラーニングサバイバル分析モデルと比較した。
論文 参考訳(メタデータ) (2020-08-19T19:11:25Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z)
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。