論文の概要: Fair MP-BOOST: Fair and Interpretable Minipatch Boosting

• arxiv url: http://arxiv.org/abs/2404.01521v1
• Date: Mon, 1 Apr 2024 23:01:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-03 18:27:47.644835
• Title: Fair MP-BOOST: Fair and Interpretable Minipatch Boosting
• Title（参考訳）: フェアMP-BOOST:フェアで解釈可能なミニパッチブースティング
• Authors: Camille Olivia Little, Genevera I. Allen,
• Abstract要約: 本研究では,学習中の特徴や観察を適応的に学習することで,精度のバランスをとるための強化スキームであるFair MP-Boostを開発した。 損失関数を組み合わせたり、特徴重要度スコアを組み合わせて精度と公平性に対処することで、これらの確率を考案する。 学習された確率分布はまた、Fair MP-Boostにおける特徴の重要性と重要な観察の本質的な解釈をもたらす。
• 参考スコア（独自算出の注目度）: 4.419843514606336
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Ensemble methods, particularly boosting, have established themselves as highly effective and widely embraced machine learning techniques for tabular data. In this paper, we aim to leverage the robust predictive power of traditional boosting methods while enhancing fairness and interpretability. To achieve this, we develop Fair MP-Boost, a stochastic boosting scheme that balances fairness and accuracy by adaptively learning features and observations during training. Specifically, Fair MP-Boost sequentially samples small subsets of observations and features, termed minipatches (MP), according to adaptively learned feature and observation sampling probabilities. We devise these probabilities by combining loss functions, or by combining feature importance scores to address accuracy and fairness simultaneously. Hence, Fair MP-Boost prioritizes important and fair features along with challenging instances, to select the most relevant minipatches for learning. The learned probability distributions also yield intrinsic interpretations of feature importance and important observations in Fair MP-Boost. Through empirical evaluation of simulated and benchmark datasets, we showcase the interpretability, accuracy, and fairness of Fair MP-Boost.
• Abstract（参考訳）: アンサンブル法、特に強化法は、表データの機械学習技術として非常に効果的で広く採用されている。 本稿では,従来のブースティング手法の強靭な予測力を活用しつつ,公平性と解釈可能性を高めることを目的とする。 そこで我々は,学習中の特徴や観察を適応的に学習することで,公正さと精度のバランスをとる確率的ブースティング手法であるFair MP-Boostを開発した。 具体的には、Fair MP-Boostは、適応的に学習された特徴と観察サンプリング確率に従って、ミニパッチ(MP)と呼ばれる、観測と特徴の小さなサブセットを順次サンプリングする。 損失関数を組み合わせたり、特徴重要度スコアを組み合わせて精度と公平性に対処することで、これらの確率を考案する。 したがって、Fair MP-Boostは、重要かつ公正な機能と挑戦的なインスタンスを優先し、学習に最も適したミニパッチを選択する。 学習された確率分布はまた、Fair MP-Boostにおける特徴の重要性と重要な観察の本質的な解釈をもたらす。 シミュレーションおよびベンチマークデータセットの実証評価を通じて,Fair MP-Boostの解釈可能性,精度,公正性を実証した。

関連論文リスト

• Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
  細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。 近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。 本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:49Z)
• Tuning Pre-trained Model via Moment Probing [62.445281364055795]
  本稿では,LP の可能性を探るため,新しい Moment Probing (MP) 法を提案する。 MPは、最終特徴の平均に基づいて線形分類ヘッドを実行する。 当社のMPはLPを著しく上回り、トレーニングコストの低い相手と競争しています。
  論文  参考訳（メタデータ） (2023-07-21T04:15:02Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• Conformalized Fairness via Quantile Regression [8.180169144038345]
  本稿では,デモグラフィックパリティの公正性要件に基づき,実数値量子関数を学習するための新しいフレームワークを提案する。 フェア量子化法により構築された誘導予測区間に対する分布自由被覆の理論的保証と正確な公正性を確立する。 本研究は, フェアネス・正確性トレードオフの基盤となるメカニズムを, 幅広い社会的・医療的応用において明らかにする能力を示すものである。
  論文  参考訳（メタデータ） (2022-10-05T04:04:15Z)
• ProBoost: a Boosting Method for Probabilistic Classifiers [55.970609838687864]
  ProBoostは確率的分類器のための新しいブースティングアルゴリズムである。 各トレーニングサンプルの不確実性を使用して、最も困難で不確実なものを決定する。 これは、最も不確実性が高いと判明したサンプルに徐々に焦点をあてる配列を生成する。
  論文  参考訳（メタデータ） (2022-09-04T12:49:20Z)
• Fair Normalizing Flows [10.484851004093919]
  FNF(Fair Normalizing Flows)は、学習された表現に対してより厳密な公正性を保証する新しい手法である。 FNFの主な利点は、その正確な確率計算により、潜在的に逆下流予測器の最大不公平性の保証が得られることである。 我々は,FNFが様々なグループフェアネスの概念を強制する上での有効性を実験的に示すとともに,解釈可能性や伝達学習といった他の魅力的な特性も示す。
  論文  参考訳（メタデータ） (2021-06-10T17:35:59Z)
• 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)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• MP-Boost: Minipatch Boosting via Adaptive Feature and Observation Sampling [0.0]
  MP-BoostはAdaBoostを緩くベースとしたアルゴリズムで、インスタンスと機能の小さなサブセットを適応的に選択することで学習する。 様々な二項分類タスクにおいて,提案手法の解釈可能性,比較精度,計算時間について実験的に検証した。
  論文  参考訳（メタデータ） (2020-11-14T04:26:13Z)

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。