論文の概要: Differentially Private Fair Binary Classifications

• arxiv url: http://arxiv.org/abs/2402.15603v2
• Date: Fri, 17 May 2024 19:22:49 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-21 23:10:31.946073
• Title: Differentially Private Fair Binary Classifications
• Title（参考訳）: 個人別フェアバイナリ分類
• Authors: Hrad Ghoukasian, Shahab Asoodeh,
• Abstract要約: まず,公平性保証のみで分類器を学習するアルゴリズムを提案する。 次に、このアルゴリズムを改良して、差分プライバシーを取り入れます。 アダルトカードとクレディカードのデータセットで行った実証的な評価は、我々のアルゴリズムが公正性の保証の観点から最先端のアルゴリズムよりも優れていることを示している。
• 参考スコア（独自算出の注目度）: 1.8087157239832476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this work, we investigate binary classification under the constraints of both differential privacy and fairness. We first propose an algorithm based on the decoupling technique for learning a classifier with only fairness guarantee. This algorithm takes in classifiers trained on different demographic groups and generates a single classifier satisfying statistical parity. We then refine this algorithm to incorporate differential privacy. The performance of the final algorithm is rigorously examined in terms of privacy, fairness, and utility guarantees. Empirical evaluations conducted on the Adult and Credit Card datasets illustrate that our algorithm outperforms the state-of-the-art in terms of fairness guarantees, while maintaining the same level of privacy and utility.
• Abstract（参考訳）: 本研究では,差分プライバシーと公正性の制約下でのバイナリ分類について検討する。 まず,公平性保証のみで分類器を学習するための分離手法に基づくアルゴリズムを提案する。 このアルゴリズムは、異なる階層群で訓練された分類器を取り込み、統計パリティを満たす1つの分類器を生成する。 次に、このアルゴリズムを改良して、差分プライバシーを取り入れます。 最終アルゴリズムの性能は、プライバシー、公正性、実用性保証の観点から厳格に検証される。 アダルトカードとクレディカードのデータセットで実施された実証的な評価は、我々のアルゴリズムが同等のプライバシーと実用性を維持しつつ、公正性の保証の観点から最先端のアルゴリズムより優れていることを示している。

関連論文リスト

• Bipartite Ranking Fairness through a Model Agnostic Ordering Adjustment [54.179859639868646]
  本稿では,二部類ランキングにおける公平性を実現するためのモデルに依存しない後処理フレームワークxOrderを提案する。 xOrderは、教師なしおよび教師なしの公正度メトリックを含む、さまざまな分類モデルとランキングフェアネスメトリクスと互換性がある。 提案アルゴリズムを,4つのベンチマークデータセットと2つの実世界の患者電子健康記録リポジトリ上で評価した。
  論文  参考訳（メタデータ） (2023-07-27T07:42:44Z)
• When Fair Classification Meets Noisy Protected Attributes [8.362098382773265]
  本研究は, 属性耐性, 耐雑音性, 属性ブラインドアルゴリズムを比較した, 公平な分類アルゴリズムの先進的な研究である。 本研究は,属性ブレンドとノイズ耐性公正分類器が,属性耐性アルゴリズムと同等の性能を達成できることを明らかにする。
  論文  参考訳（メタデータ） (2023-07-06T21:38:18Z)
• Theoretically Principled Federated Learning for Balancing Privacy and Utility [61.03993520243198]
  モデルパラメータを歪ませることでプライバシを保護する保護機構の一般学習フレームワークを提案する。 フェデレートされた学習における各コミュニケーションラウンドにおいて、各クライアント上の各モデルパラメータに対して、パーソナライズされたユーティリティプライバシトレードオフを実現することができる。
  論文  参考訳（メタデータ） (2023-05-24T13:44:02Z)
• Stochastic Differentially Private and Fair Learning [7.971065005161566]
  我々は、収束することが保証されるフェアラーニングのための最初の微分プライベートアルゴリズムを提供する。 われわれのフレームワークは、人口格差や均等化オッズなど、さまざまな公平さを許容できるほど柔軟である。 本アルゴリズムは,複数の(非バイナリ)機密属性を持つ非バイナリ分類タスクに適用可能である。
  論文  参考訳（メタデータ） (2022-10-17T06:54:57Z)
• Towards Auditing Unsupervised Learning Algorithms and Human Processes For Fairness [39.77120515767369]
  既存の研究は、統計パリティの標準定義を用いたバイナリ保護状態変数の2つのグループ分類問題について検討してきた。 ここでは、より複雑なフェアネスの定義の下で、多群設定を探索することによって監査の領域を構築する。
  論文  参考訳（メタデータ） (2022-09-20T12:30:05Z)
• Fairness-Aware Naive Bayes Classifier for Data with Multiple Sensitive Features [0.0]
  2-naive-Bayes (2NB) をN-naive-Bayes (NNB) に一般化し、データ中の2つのセンシティブなグループを仮定することの単純化を回避する。 本稿では,複数の感度特徴を持つデータへの適用について検討し,差分フェアネスを強制する新しい制約・後処理ルーチンを提案する。
  論文  参考訳（メタデータ） (2022-02-23T13:32:21Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Differentially Private Clustering: Tight Approximation Ratios [57.89473217052714]
  基本的なクラスタリング問題に対して,効率的な微分プライベートアルゴリズムを提案する。 この結果から,SampleとAggregateのプライバシーフレームワークのアルゴリズムの改善が示唆された。 1-Clusterアルゴリズムで使用されるツールの1つは、ClosestPairのより高速な量子アルゴリズムを適度な次元で得るために利用できる。
  論文  参考訳（メタデータ） (2020-08-18T16:22:06Z)
• Tighter Generalization Bounds for Iterative Differentially Private Learning Algorithms [95.73230376153872]
  本稿では,反復学習アルゴリズムにおける一般化とプライバシ保護の関係を2つのステップで検討する。 我々は、$(varepsilon, delta)$-differential privacyは、マルチデータベース学習アルゴリズムに縛られる平均的な一般化を意味することを証明している。 次に,ほとんどの学習アルゴリズムが共有する反復的な性質が,プライバシーの保護とさらなる一般化にどのように影響するかを検討する。
  論文  参考訳（メタデータ） (2020-07-18T09:12:03Z)
• 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)
• Differentially Private k-Means Clustering with Guaranteed Convergence [5.335316436366718]
  反復的なクラスタリングアルゴリズムは、データの背後にある洞察を学習するのに役立ちます。 敵は、背景知識によって個人のプライバシーを推測することができる。 このような推論攻撃に対して個人のプライバシを保護するため、反復クラスタリングアルゴリズムの差分プライバシー(DP)を広く研究している。
  論文  参考訳（メタデータ） (2020-02-03T22:53:47Z)

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。