論文の概要: Fair Risk Control: A Generalized Framework for Calibrating Multi-group Fairness Risks
- arxiv url: http://arxiv.org/abs/2405.02225v1
- Date: Fri, 3 May 2024 16:32:09 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-06 12:16:37.167073
- Title: Fair Risk Control: A Generalized Framework for Calibrating Multi-group Fairness Risks
- Title（参考訳）: 公正リスク管理:多グループ公正リスクのキャリブレーションのための一般化された枠組み
- Authors: Lujing Zhang, Aaron Roth, Linjun Zhang,
- Abstract要約: 多次元写像に対して$(mathbfs,mathcalG, alpha)-$GMCを導入します。
このフレームワークは、画像セグメンテーションにおける偽陰性率制御、階層分類における条件の不確かさの予測、言語モデルにおける非バイアステキスト生成など、さまざまな公平性に関する様々なシナリオに適用される。
- 参考スコア（独自算出の注目度）: 17.341297227874655
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper introduces a framework for post-processing machine learning models so that their predictions satisfy multi-group fairness guarantees. Based on the celebrated notion of multicalibration, we introduce $(\mathbf{s},\mathcal{G}, \alpha)-$GMC (Generalized Multi-Dimensional Multicalibration) for multi-dimensional mappings $\mathbf{s}$, constraint set $\mathcal{G}$, and a pre-specified threshold level $\alpha$. We propose associated algorithms to achieve this notion in general settings. This framework is then applied to diverse scenarios encompassing different fairness concerns, including false negative rate control in image segmentation, prediction set conditional uncertainty quantification in hierarchical classification, and de-biased text generation in language models. We conduct numerical studies on several datasets and tasks.
- Abstract（参考訳）: 本稿では,機械学習モデルの後処理のためのフレームワークを導入し,その予測がマルチグループフェアネス保証を満たすようにした。
多次元写像に対する $(\mathbf{s},\mathcal{G}, \alpha)-$GMC (Generalized Multi-dimensional Multicalibration) を導入する。
本稿では,この概念を一般設定で実現するための関連アルゴリズムを提案する。
このフレームワークは、画像セグメンテーションにおける偽陰性率制御、階層分類における条件の不確実性定量化の予測、言語モデルにおける非バイアステキスト生成など、さまざまな公平性に関する様々なシナリオに適用される。
いくつかのデータセットやタスクについて数値的研究を行う。
関連論文リスト
- Semiparametric conformal prediction [79.6147286161434]
リスクに敏感なアプリケーションは、複数の、潜在的に相関したターゲット変数に対して、よく校正された予測セットを必要とする。
スコアをランダムなベクトルとして扱い、それらの連接関係構造を考慮した予測セットを構築することを目的とする。
実世界のレグレッション問題に対して,所望のカバレッジと競争効率について報告する。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Bridging Multicalibration and Out-of-distribution Generalization Beyond Covariate Shift [44.708914058803224]
マルチキャリブレーションによるアウト・オブ・ディストリビューションの一般化のための新しいモデルに依存しない最適化フレームワークを構築した。
本稿では,マルチキャリブレーションとアウト・オブ・ディストリビューションの一般化を両立させるポストプロセッシングアルゴリズムMC-Pseudolabelを提案する。
論文 参考訳（メタデータ） (2024-06-02T08:11:35Z) - Conformal prediction for multi-dimensional time series by ellipsoidal sets [9.44133696606093]
コンフォーマル予測(CP)は、分布のない、モデルに依存しない、理論的に健全であるため、不確実性定量化の一般的な方法である。
多変量応答に対して$textit Regions$をビルドする、$textttMultiDimS PCI$と呼ばれる逐次CP手法を開発した。
論文 参考訳（メタデータ） (2024-03-06T16:55:40Z) - HappyMap: A Generalized Multi-calibration Method [23.086009024383024]
マルチキャリブレーション(英: Multi-calibration)はアルゴリズムフェアネスの分野を起源とする、強力で進化した概念である。
この研究では、$(f(x)-y)$ という用語を1つの特定の写像とみなし、豊かなクラスの写像のパワーを探求する。
マルチキャリブレーションを一般化したtextitHappyMap を提案する。
論文 参考訳（メタデータ） (2023-03-08T05:05:01Z) - A Unifying Perspective on Multi-Calibration: Game Dynamics for
Multi-Objective Learning [63.20009081099896]
マルチキャリブレーション予測器の設計と解析のための統一フレームワークを提供する。
ゲームダイナミクスとの接続を利用して,多様なマルチ校正学習問題に対する最先端の保証を実現する。
論文 参考訳（メタデータ） (2023-02-21T18:24:17Z) - Localized Randomized Smoothing for Collective Robustness Certification [60.83383487495282]
我々は、あらゆる種類のモデルに対してより一般的な集合的ロバスト性証明を提案する。
このアプローチは、より大規模なソフトな局所モデルに対して有益であることを示す。
この証明書は、我々の新しい局所的ランダム化平滑化アプローチに基づいている。
論文 参考訳（メタデータ） (2022-10-28T14:10:24Z) - Consistent Multiclass Algorithms for Complex Metrics and Constraints [38.6998359999636]
この設定には、マルチクラスG平均やマイクロF1測定など、多くの一般的なパフォーマンス指標が含まれている。
このような複雑な設計目標のための一貫したアルゴリズムのための一般的なフレームワークを提供する。
様々なクラス分類タスクと公正制約のある問題の実験により、我々のアルゴリズムは最先端のベースラインと良好に比較できることを示した。
論文 参考訳（メタデータ） (2022-10-18T09:09:29Z) - Prototypical Calibration for Few-shot Learning of Language Models [84.5759596754605]
GPTライクなモデルは、さまざまな手作りテンプレートやデモ順列にまたがる脆弱であると認識されている。
ゼロショットと少数ショットの分類において、より堅牢な決定境界を適応的に学習するためのプロトタイプキャリブレーションを提案する。
提案手法は決定境界を期待通りに校正し,テンプレート,置換,クラス不均衡に対するGPTの堅牢性を大幅に向上させる。
論文 参考訳（メタデータ） (2022-05-20T13:50:07Z) - Learn then Test: Calibrating Predictive Algorithms to Achieve Risk
Control [67.52000805944924]
Learn then Test (LTT)は、機械学習モデルを校正するフレームワークである。
私たちの主な洞察は、リスクコントロール問題を複数の仮説テストとして再設計することです。
我々は、コンピュータビジョンの詳細な実例を用いて、コア機械学習タスクの新しいキャリブレーション手法を提供するために、我々のフレームワークを使用します。
論文 参考訳（メタデータ） (2021-10-03T17:42:03Z) - Learning Gaussian Mixtures with Generalised Linear Models: Precise
Asymptotics in High-dimensions [79.35722941720734]
多クラス分類問題に対する一般化線形モデルは、現代の機械学習タスクの基本的な構成要素の1つである。
実験的リスク最小化による高次元推定器の精度を実証する。
合成データの範囲を超えて我々の理論をどのように適用できるかを論じる。
論文 参考訳（メタデータ） (2021-06-07T16:53:56Z)
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。