論文の概要: Enforcing Conditional Independence for Fair Representation Learning and Causal Image Generation

• arxiv url: http://arxiv.org/abs/2404.13798v1
• Date: Sun, 21 Apr 2024 23:34:45 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 15:36:05.712021
• Title: Enforcing Conditional Independence for Fair Representation Learning and Causal Image Generation
• Title（参考訳）: 公正表現学習のための条件付き独立化と因果画像生成
• Authors: Jensen Hwa, Qingyu Zhao, Aditya Lahiri, Adnan Masood, Babak Salimi, Ehsan Adeli,
• Abstract要約: 条件付き独立性(CI)制約は、機械学習における公平性の定義と評価に不可欠である。 エンコーダアーキテクチャに適用可能な,新たなトレーニングパラダイムを導入する。
• 参考スコア（独自算出の注目度）: 13.841888171417017
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Conditional independence (CI) constraints are critical for defining and evaluating fairness in machine learning, as well as for learning unconfounded or causal representations. Traditional methods for ensuring fairness either blindly learn invariant features with respect to a protected variable (e.g., race when classifying sex from face images) or enforce CI relative to the protected attribute only on the model output (e.g., the sex label). Neither of these methods are effective in enforcing CI in high-dimensional feature spaces. In this paper, we focus on a nascent approach characterizing the CI constraint in terms of two Jensen-Shannon divergence terms, and we extend it to high-dimensional feature spaces using a novel dynamic sampling strategy. In doing so, we introduce a new training paradigm that can be applied to any encoder architecture. We are able to enforce conditional independence of the diffusion autoencoder latent representation with respect to any protected attribute under the equalized odds constraint and show that this approach enables causal image generation with controllable latent spaces. Our experimental results demonstrate that our approach can achieve high accuracy on downstream tasks while upholding equality of odds.
• Abstract（参考訳）: 条件付き独立性(CI)制約は、機械学習における公正性の定義と評価、および未確立または因果表現の学習に重要である。 フェアネスを保証する従来の方法は、保護された変数(例えば、顔画像からセックスを分類する際のレース)に関する不変性を盲目的に学習するか、モデル出力(例えば、セックスラベル)にのみ、保護された属性に対してCIを強制する。 どちらの手法も高次元特徴空間におけるCIの強制には有効ではない。 本稿では,2つのJensen-Shannon分散項の観点からCI制約を特徴付ける新しいアプローチに着目し,新しい動的サンプリング手法を用いて高次元特徴空間に拡張する。 そこで我々は,任意のエンコーダアーキテクチャに適用可能な,新たなトレーニングパラダイムを導入する。 等化オッズ制約の下では,任意の保護属性に対する拡散自己エンコーダ潜在表現の条件付き独立性を実現し,制御可能な潜在空間を用いた因果画像生成を可能にすることを示す。 実験結果から,提案手法は確率の等価性を保ちながら,下流タスクにおいて高い精度を達成可能であることが示された。

関連論文リスト

• Adv-Diffusion: Imperceptible Adversarial Face Identity Attack via Latent Diffusion Model [61.53213964333474]
  本稿では,生の画素空間ではなく,潜在空間における非知覚的対角的アイデンティティ摂動を生成できる統一的なフレームワークAdv-Diffusionを提案する。 具体的には,周囲のセマンティックな摂動を生成するために,個人性に敏感な条件付き拡散生成モデルを提案する。 設計された適応強度に基づく対向摂動アルゴリズムは、攻撃の伝達性とステルス性の両方を確保することができる。
  論文  参考訳（メタデータ） (2023-12-18T15:25:23Z)
• Robust Perception through Equivariance [28.43219868475906]
  本稿では,自然画像の内在的制約を強固にするためのフレームワークを提案する。 推論時に制約を導入することで、堅牢性の負担をトレーニングから推論アルゴリズムに移行することができる。
  論文  参考訳（メタデータ） (2022-12-12T17:52:46Z)
• 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)
• Learning Aligned Cross-Modal Representation for Generalized Zero-Shot Classification [17.177622259867515]
  一般化ゼロショット分類(GZSC)のためのアラインド・クロスモーダル表現(adigned Cross-Modal Representations, ACMR)の学習による革新的オートエンコーダネットワークを提案する。 具体的には,学習型分類器によって導かれる潜在部分空間上でのクロスモーダルな潜在特徴のアライメントを強化するために,新しい視覚・セマンティックアライメント(VSA)法を提案する。 さらに,潜伏変数の識別能力を高めるとともに,潜伏変数が崩壊する可能性を低減するための新しい情報拡張モジュール (IEM) を提案する。
  論文  参考訳（メタデータ） (2021-12-24T03:35:37Z)
• Learning Conditional Invariance through Cycle Consistency [60.85059977904014]
  本稿では,データセットの変動の有意義な要因と独立な要因を識別する新しい手法を提案する。 提案手法は,対象プロパティと残りの入力情報に対する2つの別個の潜在部分空間を含む。 我々は,より意味のある因子を同定し,よりスペーサーや解釈可能なモデルに導く合成および分子データについて実証する。
  論文  参考訳（メタデータ） (2021-11-25T17:33:12Z)
• Latent Space Conditioning on Generative Adversarial Networks [3.823356975862006]
  敵対的トレーニングと表現学習という2つの一般的な学習テクニックの恩恵を受ける新しいフレームワークを紹介します。 特に,提案手法は潜在空間の構造(表現学習によって学習される)を利用して生成モデルを条件付けする。
  論文  参考訳（メタデータ） (2020-12-16T08:58:10Z)
• Generating Out of Distribution Adversarial Attack using Latent Space Poisoning [5.1314136039587925]
  本稿では,実際の画像が破損しない敵の例を生成する新しいメカニズムを提案する。 潜在空間表現は、画像の固有構造を改ざんするために利用される。 勾配ベースの攻撃とは対照的に、潜時空間中毒は、トレーニングデータセットの独立かつ同一分布をモデル化する分類器の傾きを利用する。
  論文  参考訳（メタデータ） (2020-12-09T13:05:44Z)
• Evidential Sparsification of Multimodal Latent Spaces in Conditional Variational Autoencoders [63.46738617561255]
  訓練された条件付き変分オートエンコーダの離散潜時空間をスパース化する問題を考察する。 顕在的理論を用いて、特定の入力条件から直接証拠を受け取る潜在クラスを特定し、そうでないクラスをフィルタリングする。 画像生成や人間の行動予測などの多様なタスクの実験により,提案手法の有効性を実証した。
  論文  参考訳（メタデータ） (2020-10-19T01:27:21Z)
• Unsupervised Controllable Generation with Self-Training [90.04287577605723]
  GANによる制御可能な世代は依然として困難な研究課題である。 本稿では,自己学習を通じてジェネレータを制御する潜伏符号の分布を学習するための教師なしフレームワークを提案する。 我々のフレームワークは、変分オートエンコーダのような他の変種と比較して、より良い絡み合いを示す。
  論文  参考訳（メタデータ） (2020-07-17T21:50:35Z)
• Learning to Manipulate Individual Objects in an Image [71.55005356240761]
  本稿では,独立性および局所性を有する潜在因子を用いた生成モデルを学習する手法について述べる。 これは、潜伏変数の摂動が、オブジェクトに対応する合成画像の局所領域のみに影響を与えることを意味する。 他の教師なし生成モデルとは異なり、オブジェクトレベルのアノテーションを必要とせず、オブジェクト中心の操作を可能にする。
  論文  参考訳（メタデータ） (2020-04-11T21:50:20Z)

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。