Fugu-MT 論文翻訳(概要): Counterfactual Fairness Is Not Demographic Parity, and Other Observations

論文の概要: Counterfactual Fairness Is Not Demographic Parity, and Other Observations

arxiv url: http://arxiv.org/abs/2402.02663v1
Date: Mon, 5 Feb 2024 01:20:59 GMT
ステータス: 処理完了
システム内更新日: 2024-02-06 18:11:50.028965
Title: Counterfactual Fairness Is Not Demographic Parity, and Other Observations
Title（参考訳）: カウンターファクトフェアネスはデモグラフィーのパリティではない、その他の観測結果
Authors: Ricardo Silva
Abstract要約: 最近の主張では、反事実的公正は人口的平等と同等のものであるという主張は、より精査を控えることができない。私は、反事実的公正について、より広い誤解に対処する機会を得ます。
参考スコア（独自算出の注目度）: 5.032604732889747
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Blanket statements of equivalence between causal concepts and purely probabilistic concepts should be approached with care. In this short note, I examine a recent claim that counterfactual fairness is equivalent to demographic parity. The claim fails to hold up upon closer examination. I will take the opportunity to address some broader misunderstandings about counterfactual fairness.
Abstract（参考訳）: 因果概念と純粋に確率的概念の等価性の包括的記述は注意してアプローチすべきである。本稿では, 反実的公正性は人口的平等と等価であるという最近の主張を考察する。その主張は精査には耐えられない。虚偽の公正について、より広い誤解に対処する機会を得ます。

関連論文リスト

Implementing Fairness: the view from a FairDream [0.0]
私たちはAIモデルをトレーニングし、不平等を検出して修正するために、独自の公正パッケージFairDreamを開発します。本実験は,FairDreamの特性として,真理を条件としたフェアネスの目標を達成できることを実証した。
論文参考訳（メタデータ） (2024-07-20T06:06:24Z)
Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文参考訳（メタデータ） (2024-05-24T11:19:52Z)
What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
論文参考訳（メタデータ） (2024-04-16T22:47:59Z)
Causal Context Connects Counterfactual Fairness to Robust Prediction and Group Fairness [15.83823345486604]
我々は、公正性と正確性の間に根本的なトレードオフがないことを示すことによって、事実的公正を動機付けます。対実フェアネスは、比較的単純なグループフェアネスの測定によってテストされることがある。
論文参考訳（メタデータ） (2023-10-30T16:07:57Z)
Counterfactual Fairness for Predictions using Generative Adversarial Networks [28.65556399421874]
我々は, 対実フェアネスの下で予測を行うための, GCFN (Generative Counterfactual Fairness Network) と呼ばれる新しいディープニューラルネットワークを開発した。本手法は, 対実的公正性の概念を保証するために数学的に保証されている。
論文参考訳（メタデータ） (2023-10-26T17:58:39Z)
Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文参考訳（メタデータ） (2023-07-17T04:08:29Z)
Reconciling Predictive and Statistical Parity: A Causal Approach [68.59381759875734]
本稿では,予測パリティに付随する公平度対策のための因果分解式を提案する。統計的および予測パリティの概念は、実際には互いに排他的ではなく、相補的であり、公正の概念のスペクトルにまたがっていることを示す。
論文参考訳（メタデータ） (2023-06-08T09:23:22Z)
Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
論文参考訳（メタデータ） (2022-03-16T15:00:33Z)
Learning Fair Node Representations with Graph Counterfactual Fairness [56.32231787113689]
以上の事実から導かれるバイアスを考慮したグラフ反事実公正性を提案する。我々は各ノードとその周辺住民の感度特性の摂動に対応する反事実を生成する。我々のフレームワークはグラフの反ファクトフェアネスにおける最先端のベースラインよりも優れています。
論文参考訳（メタデータ） (2022-01-10T21:43:44Z)
Fair Representation: Guaranteeing Approximate Multiple Group Fairness for Unknown Tasks [17.231251035416648]
本研究では,未知のタスクに対して公平性を保証し,複数のフェアネス概念を同時に活用できるかどうかを考察する。公平な表現は全ての予測タスクに対して公平性を保証するわけではないが、重要なタスクのサブセットに対して公平性を保証する。
論文参考訳（メタデータ） (2021-09-01T17:29:11Z)
Shortcomings of Counterfactual Fairness and a Proposed Modification [0.0]
反事実的公正性は、アルゴリズムが公正であるために必要な条件ではないと私は主張する。そして、この欠点を解決するために、どのように制約を修正できるかを提案します。
論文参考訳（メタデータ） (2020-11-14T14:49:51Z)

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。