論文の概要: Referee-Meta-Learning for Fast Adaptation of Locational Fairness
- arxiv url: http://arxiv.org/abs/2402.13379v1
- Date: Tue, 20 Feb 2024 21:09:04 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-22 17:57:05.763612
- Title: Referee-Meta-Learning for Fast Adaptation of Locational Fairness
- Title(参考訳): 位置フェアネスの高速適応のためのReferee-Meta-Learning
- Authors: Weiye Chen, Yiqun Xie, Xiaowei Jia, Erhu He, Han Bao, Bang An, Xun
Zhou
- Abstract要約: 本稿では,深層ニューラルネットワークのメタトレーニングとメタテストを行うために,位置的メタ参照(Meta-Ref)を提案する。
また,Meta-Refは全体の予測品質を同等に保ちながら,位置の公平性を向上できることを示す。
- 参考スコア(独自算出の注目度): 26.770426062329165
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: When dealing with data from distinct locations, machine learning algorithms
tend to demonstrate an implicit preference of some locations over the others,
which constitutes biases that sabotage the spatial fairness of the algorithm.
This unfairness can easily introduce biases in subsequent decision-making given
broad adoptions of learning-based solutions in practice. However, locational
biases in AI are largely understudied. To mitigate biases over locations, we
propose a locational meta-referee (Meta-Ref) to oversee the few-shot
meta-training and meta-testing of a deep neural network. Meta-Ref dynamically
adjusts the learning rates for training samples of given locations to advocate
a fair performance across locations, through an explicit consideration of
locational biases and the characteristics of input data. We present a
three-phase training framework to learn both a meta-learning-based predictor
and an integrated Meta-Ref that governs the fairness of the model. Once trained
with a distribution of spatial tasks, Meta-Ref is applied to samples from new
spatial tasks (i.e., regions outside the training area) to promote fairness
during the fine-tune step. We carried out experiments with two case studies on
crop monitoring and transportation safety, which show Meta-Ref can improve
locational fairness while keeping the overall prediction quality at a similar
level.
- Abstract(参考訳): 異なる場所からのデータを扱う場合、機械学習アルゴリズムは他の場所よりも暗黙の選好を示す傾向があり、アルゴリズムの空間的公正性を妨害するバイアスを構成する。
この不公平さは、学習ベースのソリューションを実践的に広く採用することで、その後の意思決定におけるバイアスを容易に引き起こすことができる。
しかし、AIにおける位置バイアスはほとんど調査されていない。
位置に対するバイアスを軽減するため,深層ニューラルネットワークのメタトレーニングとメタテストを行うために,位置メタ参照(Meta-Ref)を提案する。
Meta-Refは、位置バイアスと入力データの特徴を明確に考慮して、与えられた場所のトレーニングサンプルの学習率を動的に調整し、場所間の公正なパフォーマンスを提唱する。
本稿では,メタラーニングに基づく予測器とモデルの公平性を管理するメタレフを融合した3段階学習フレームワークを提案する。
一度空間的タスクの分布を訓練すると、メタレフは新しい空間的タスク(すなわち、訓練領域外の領域)のサンプルに適用され、微調整ステップの間フェアネスを促進する。
作物のモニタリングと輸送安全に関する2つのケーススタディを用いて実験を行い、Meta-Refは全体の予測品質を同等に保ちながら、位置の公平性を向上できることを示した。
関連論文リスト
- Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。
DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。
10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
論文 参考訳(メタデータ) (2024-07-20T01:34:13Z) - Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。
具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。
実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2024-02-22T12:55:01Z) - Think Twice Before Selection: Federated Evidential Active Learning for Medical Image Analysis with Domain Shifts [11.562953837452126]
多様なドメインから得られたローカルデータの情報性を評価するための最初の試みを行う。
本稿では,ドメインシフト下でのデータ評価を校正する新しい手法であるFederated Evidential Active Learning(FEAL)を提案する。
論文 参考訳(メタデータ) (2023-12-05T08:32:27Z) - A Meta-learning based Generalizable Indoor Localization Model using
Channel State Information [8.302375673936387]
本稿では,データセットが制限された場合の一般化性の向上を目的としたメタ学習アルゴリズムTB-MAMLを提案する。
TB-MAMLに基づくローカライゼーションモデルと,他のメタ学習アルゴリズムを用いたローカライゼーションの性能評価を行った。
論文 参考訳(メタデータ) (2023-05-22T19:54:59Z) - Divide and Contrast: Source-free Domain Adaptation via Adaptive
Contrastive Learning [122.62311703151215]
Divide and Contrast (DaC) は、それぞれの制限を回避しつつ、両方の世界の善良な端を接続することを目的としている。
DaCは、ターゲットデータをソースライクなサンプルとターゲット固有なサンプルに分割する。
さらに、ソースライクなドメインと、メモリバンクベースの最大平均離散性(MMD)損失を用いて、ターゲット固有のサンプルとを整合させて、分散ミスマッチを低減する。
論文 参考訳(メタデータ) (2022-11-12T09:21:49Z) - CAFA: Class-Aware Feature Alignment for Test-Time Adaptation [50.26963784271912]
テスト時間適応(TTA)は、テスト時にラベルのないデータにモデルを適応させることによって、この問題に対処することを目的としている。
本稿では,クラス認識特徴アライメント(CAFA, Class-Aware Feature Alignment)と呼ばれる単純な機能アライメント損失を提案する。
論文 参考訳(メタデータ) (2022-06-01T03:02:07Z) - Enhancing Prototypical Few-Shot Learning by Leveraging the Local-Level
Strategy [75.63022284445945]
既存の作業では、ローカルレベルの機能をすべて混ぜることで、イメージレベルの機能に基づいた、いくつかのショットモデルを構築することがよくあります。
a) 基地と新規カテゴリーの識別的位置バイアスを回避するための地域非依存のトレーニング戦略,(b) 地域レベルの特徴の正確な比較を捉えるための新しい地域レベルの類似度尺度を提案する。
論文 参考訳(メタデータ) (2021-11-08T08:45:15Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳(メタデータ) (2020-06-15T10:08:39Z) - Online Self-Supervised Learning for Object Picking: Detecting Optimum
Grasping Position using a Metric Learning Approach [0.757024681220677]
個々の対象物の最適な把握位置は、その把握スコアから決定される。
提案するオンライン自己教師型学習手法では,2つのディープニューラルネットワークを用いる。
論文 参考訳(メタデータ) (2020-03-08T04:36:24Z) - FedLoc: Federated Learning Framework for Data-Driven Cooperative
Localization and Location Data Processing [12.518673970373422]
データ駆動学習モデルに基づく協調的ローカライゼーションと位置データ処理について考察する。
我々はまず,フェデレート学習の文脈における最先端のアルゴリズムについて検討する。
本稿では,標準,新刊,未公開の各作品から要約した様々な実用事例を紹介する。
論文 参考訳(メタデータ) (2020-03-08T01:51:56Z)
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。