論文の概要: SimFair: Physics-Guided Fairness-Aware Learning with Simulation Models

• arxiv url: http://arxiv.org/abs/2401.15270v1
• Date: Sat, 27 Jan 2024 02:36:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 19:14:39.516358
• Title: SimFair: Physics-Guided Fairness-Aware Learning with Simulation Models
• Title（参考訳）: SimFair:シミュレーションモデルによる物理誘導公正学習
• Authors: Zhihao Wang, Yiqun Xie, Zhili Li, Xiaowei Jia, Zhe Jiang, Aolin Jia, Shuo Xu
• Abstract要約: 多くの場合、パフォーマンスの不平等は、異なる領域における分布の変化によるものである。 物理誘導型公正学習フレームワークSimFairを提案する。
• 参考スコア（独自算出の注目度）: 22.521850023693833
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness-awareness has emerged as an essential building block for the responsible use of artificial intelligence in real applications. In many cases, inequity in performance is due to the change in distribution over different regions. While techniques have been developed to improve the transferability of fairness, a solution to the problem is not always feasible with no samples from the new regions, which is a bottleneck for pure data-driven attempts. Fortunately, physics-based mechanistic models have been studied for many problems with major social impacts. We propose SimFair, a physics-guided fairness-aware learning framework, which bridges the data limitation by integrating physical-rule-based simulation and inverse modeling into the training design. Using temperature prediction as an example, we demonstrate the effectiveness of the proposed SimFair in fairness preservation.
• Abstract（参考訳）: フェアネス・アウェアネスは、現実のアプリケーションにおける人工知能の責任を負うための重要なビルディングブロックとして登場した。 多くの場合、パフォーマンスの不平等は、異なる領域における分布の変化によるものである。 公平性の伝達性を改善する技術が開発されているが、この問題の解決策は必ずしも新しい領域からのサンプルがなくても実現可能であるとは限らない。 幸いなことに、物理学に基づく力学モデルは、大きな社会的影響を持つ多くの問題に対して研究されてきた。 物理ルールに基づくシミュレーションと逆モデリングをトレーニング設計に統合することにより,データ制限をブリッジする物理誘導型公正学習フレームワークであるSimFairを提案する。 温度予測を例として,フェアネス保存におけるSimFairの有効性を示す。

関連論文リスト

• PIETRA: Physics-Informed Evidential Learning for Traversing Out-of-Distribution Terrain [35.21102019590834]
  物理インフォームド・エビデンシャル・トラバーサビリティ(英: Physics-Informed Evidential Traversability、略称:PIETRA)は、物理の先行性を直接、明らかなニューラルネットワークの数学的定式化に統合する自己指導型学習フレームワークである。 我々の明らかなネットワークは、学習と物理に基づくアウト・オブ・ディストリビューション・インプットの予測をシームレスに遷移させる。 PIETRAは、大きな分散シフトのある環境における学習精度とナビゲーション性能の両方を改善している。
  論文  参考訳（メタデータ） (2024-09-04T18:01:10Z)
• Efficient Imitation Learning with Conservative World Models [54.52140201148341]
  報酬機能のない専門家によるデモンストレーションから政策学習の課題に取り組む。 純粋な強化学習ではなく、微調整問題として模倣学習を再構成する。
  論文  参考訳（メタデータ） (2024-05-21T20:53:18Z)
• Bridging the Sim-to-Real Gap with Bayesian Inference [53.61496586090384]
  データからロボットダイナミクスを学習するためのSIM-FSVGDを提案する。 我々は、ニューラルネットワークモデルのトレーニングを規則化するために、低忠実度物理プリエンスを使用します。 高性能RCレースカーシステムにおけるSIM-to-realギャップのブリッジ化におけるSIM-FSVGDの有効性を実証する。
  論文  参考訳（メタデータ） (2024-03-25T11:29:32Z)
• A Physics-embedded Deep Learning Framework for Cloth Simulation [6.8806198396336935]
  本稿では,布地シミュレーションの物理特性を直接エンコードする物理組込み学習フレームワークを提案する。 このフレームワークは、従来のシミュレータやサブニューラルネットワークを通じて、外部の力や衝突処理と統合することもできる。
  論文  参考訳（メタデータ） (2024-03-19T15:21:00Z)
• Reinforcement Learning with Human Feedback for Realistic Traffic Simulation [53.85002640149283]
  効果的なシミュレーションの鍵となる要素は、人間の知識と整合した現実的な交通モデルの導入である。 本研究では,現実主義に対する人間の嗜好のニュアンスを捉えることと,多様な交通シミュレーションモデルを統合することの2つの主な課題を明らかにする。
  論文  参考訳（メタデータ） (2023-09-01T19:29:53Z)
• Physics-Driven Turbulence Image Restoration with Stochastic Refinement [80.79900297089176]
  大気乱流による画像歪みは、長距離光学画像システムにおいて重要な問題である。 ディープラーニングモデルが現実世界の乱流条件に適応するために、高速で物理学的なシミュレーションツールが導入された。 本稿では,物理統合復元ネットワーク(PiRN)を提案する。
  論文  参考訳（メタデータ） (2023-07-20T05:49:21Z)
• From Model-Based to Data-Driven Simulation: Challenges and Trends in Autonomous Driving [26.397030011439163]
  シミュレーションのさまざまな側面や種類に関して,課題の概要を述べる。 我々は、認識、行動、およびコンテンツリアリズムに関する側面と、シミュレーションの領域における一般的なハードルをカバーしている。 中でも,モデルベースシミュレーションの代替として,データ駆動型,生成的アプローチ,高忠実度データ合成の傾向が注目されている。
  論文  参考訳（メタデータ） (2023-05-23T11:39:23Z)
• DiffCloud: Real-to-Sim from Point Clouds with Differentiable Simulation and Rendering of Deformable Objects [18.266002992029716]
  変形可能な物体の操作に関する研究は、典型的には限られたシナリオで行われている。 様々な種類の変形と相互作用をサポートする現実的なシミュレータは、実験をスピードアップする可能性がある。 高度に変形可能なオブジェクトに対しては、シミュレータの出力と実際のオブジェクトの振る舞いを一致させることが困難である。
  論文  参考訳（メタデータ） (2022-04-07T00:45:26Z)
• Automated Dissipation Control for Turbulence Simulation with Shell Models [1.675857332621569]
  機械学習(ML)技術の応用、特にニューラルネットワークは、画像や言語を処理する上で大きな成功を収めています。 本研究は,Gledzer-Ohkitani-yamadaシェルモデルを用いて,乱流の簡易表現を構築する。 本稿では,自己相似慣性範囲スケーリングなどの乱流の統計的特性を再構築する手法を提案する。
  論文  参考訳（メタデータ） (2022-01-07T15:03:52Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• Point Cloud Based Reinforcement Learning for Sim-to-Real and Partial Observability in Visual Navigation [62.22058066456076]
  強化学習(Reinforcement Learning, RL)は、複雑なロボットタスクを解決する強力なツールである。 RL は sim-to-real transfer problem として知られる現実世界では直接作用しない。 本稿では,点雲と環境ランダム化によって構築された観測空間を学習する手法を提案する。
  論文  参考訳（メタデータ） (2020-07-27T17:46:59Z)

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。