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

• A Two-Stage Federated Learning Approach for Industrial Prognostics Using Large-Scale High-Dimensional Signals [1.2277343096128712]
  産業統計学は、アセットからの高次元劣化信号を利用して、その故障時間を予測するデータ駆動手法を開発することを目的としている。 実際には、個々の組織は信頼できる予測モデルを独立して訓練するのに十分なデータを持っていないことが多い。 本稿では,複数の組織が共同で予後モデルを訓練できる統計的学習に基づくフェデレーションモデルを提案する。
  論文  参考訳（メタデータ） (2024-10-14T21:26:22Z)
• Deep End-to-End Survival Analysis with Temporal Consistency [49.77103348208835]
  本稿では,大規模長手データの処理を効率的に行うために,Survival Analysisアルゴリズムを提案する。 我々の手法における中心的な考え方は、時間とともにデータにおける過去と将来の成果が円滑に進化するという仮説である時間的一貫性である。 我々のフレームワークは、安定したトレーニング信号を提供することで、時間的一貫性を大きなデータセットに独自に組み込む。
  論文  参考訳（メタデータ） (2024-10-09T11:37:09Z)
• Near-Optimal Learning and Planning in Separated Latent MDPs [70.88315649628251]
  我々は、潜在マルコフ決定過程(LMDP)の計算的および統計的側面について研究する。 このモデルでは、学習者は、未知のMDPの混合から各エポックの開始時に描画されたMDPと相互作用する。
  論文  参考訳（メタデータ） (2024-06-12T06:41:47Z)
• 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。