論文の概要: Synthetic Data Generation for Intersectional Fairness by Leveraging Hierarchical Group Structure

• arxiv url: http://arxiv.org/abs/2405.14521v1
• Date: Thu, 23 May 2024 13:03:23 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-24 15:05:17.859412
• Title: Synthetic Data Generation for Intersectional Fairness by Leveraging Hierarchical Group Structure
• Title（参考訳）: 階層型群構造を利用した断面フェアネスのための合成データ生成
• Authors: Gaurav Maheshwari, Aurélien Bellet, Pascal Denis, Mikaela Keller,
• Abstract要約: 分類タスクにおける交差公正性を高めるために,特にデータ拡張手法を導入する。 本手法は,群を親圏の交叉と見なすことにより,交叉性に固有の階層構造に乗じる。
• 参考スコア（独自算出の注目度）: 8.698427881418464
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we introduce a data augmentation approach specifically tailored to enhance intersectional fairness in classification tasks. Our method capitalizes on the hierarchical structure inherent to intersectionality, by viewing groups as intersections of their parent categories. This perspective allows us to augment data for smaller groups by learning a transformation function that combines data from these parent groups. Our empirical analysis, conducted on four diverse datasets including both text and images, reveals that classifiers trained with this data augmentation approach achieve superior intersectional fairness and are more robust to ``leveling down'' when compared to methods optimizing traditional group fairness metrics.
• Abstract（参考訳）: 本稿では,分類タスクにおける交差公正性を高めるために,特にデータ拡張手法を提案する。 本手法は,群を親圏の交叉と見なすことにより,交叉性に固有の階層構造に乗じる。 この観点から、これらの親グループからのデータを組み合わせた変換関数を学習することで、より小さなグループのデータを増やすことができる。 テキストと画像の両方を含む4つの多様なデータセットを用いて行った実証分析により、このデータ拡張アプローチで訓練された分類器は、従来のグループフェアネス指標を最適化する手法と比較して、より優れた交差フェアネスを実現し、"レベルダウン"に対してより堅牢であることが明らかになった。

関連論文リスト

• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• Leveraging Structure for Improved Classification of Grouped Biased Data [8.121462458089143]
  データポイントが自然にグループ化されるアプリケーションに対する半教師付きバイナリ分類を検討する。 我々は、この構造を明示的に活用し、最適、グループ対応、確率出力の分類器を学習する半教師付きアルゴリズムを導出する。
  論文  参考訳（メタデータ） (2022-12-07T15:18:21Z)
• The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
  グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。 4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
  論文  参考訳（メタデータ） (2022-04-04T14:09:58Z)
• ACTIVE:Augmentation-Free Graph Contrastive Learning for Partial Multi-View Clustering [52.491074276133325]
  部分的マルチビュークラスタリングの問題を解決するために,拡張自由グラフコントラスト学習フレームワークを提案する。 提案手法は、インスタンスレベルのコントラスト学習と欠落データ推論をクラスタレベルに高め、個々の欠落データがクラスタリングに与える影響を効果的に軽減する。
  論文  参考訳（メタデータ） (2022-03-01T02:32:25Z)
• Towards Group Robustness in the presence of Partial Group Labels [61.33713547766866]
  入力サンプルとターゲットラベルの間に 急激な相関関係がある ニューラルネットワークの予測を誤った方向に導く 本稿では,制約セットから最悪のグループ割り当てを最適化するアルゴリズムを提案する。 グループ間で総合的な集計精度を維持しつつ,少数集団のパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2022-01-10T22:04:48Z)
• Path Based Hierarchical Clustering on Knowledge Graphs [1.713291434132985]
  対象クラスタの階層化を誘導する新しい手法を提案する。 この階層上のクラスタに対象を割り当てる前に、まずタグ階層を構築します。 実世界の3つのデータセット上で,コヒーレントクラスタ階層を誘導する手法の能力を定量的に示す。
  論文  参考訳（メタデータ） (2021-09-27T16:42:43Z)
• You Never Cluster Alone [150.94921340034688]
  我々は、主流のコントラスト学習パラダイムをクラスタレベルのスキームに拡張し、同じクラスタに属するすべてのデータが統一された表現に寄与する。 分類変数の集合をクラスタ化代入信頼度として定義し、インスタンスレベルの学習トラックとクラスタレベルの学習トラックを関連付ける。 代入変数を再パラメータ化することで、TCCはエンドツーエンドでトレーニングされる。
  論文  参考訳（メタデータ） (2021-06-03T14:59:59Z)
• Graph Contrastive Clustering [131.67881457114316]
  本稿では,クラスタリングタスクに適用可能な新しいグラフコントラスト学習フレームワークを提案し,gcc(graph constrastive clustering)法を考案した。 特に、グラフラプラシアンに基づくコントラスト損失は、より識別的かつクラスタリングフレンドリーな特徴を学ぶために提案されている。 一方で、よりコンパクトなクラスタリング割り当てを学ぶために、グラフベースのコントラスト学習戦略が提案されている。
  論文  参考訳（メタデータ） (2021-04-03T15:32:49Z)
• GuCNet: A Guided Clustering-based Network for Improved Classification [15.747227188672088]
  本稿では,既存の有分別データセットの分類容易性を活用した,新しい,かつ非常に単純な分類手法を提案する。 実験データセットとのセマンティックな関係を持たないかもしれないガイドデータセットは、提案されたネットワークは、課題データセットのクラスワイドな特徴をガイドセットの異なるクラスタに埋め込もうとする。
  論文  参考訳（メタデータ） (2020-10-11T10:22:03Z)
• Hierarchical Correlation Clustering and Tree Preserving Embedding [3.821323038670061]
  本稿では,よく知られた相関クラスタリングを拡張する階層的相関クラスタリング手法を提案する。 本稿では,このような階層的相関クラスタリングを用いた教師なし表現学習について検討する。
  論文  参考訳（メタデータ） (2020-02-18T17:44:25Z)

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。