論文の概要: Resource-constrained Fairness

• arxiv url: http://arxiv.org/abs/2406.01290v3
• Date: Tue, 20 Aug 2024 11:09:01 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-21 19:49:55.063293
• Title: Resource-constrained Fairness
• Title（参考訳）: 資源制約フェアネス
• Authors: Sofie Goethals, Eoin Delaney, Brent Mittelstadt, Chris Russell,
• Abstract要約: 本研究は「資源制約公正」の概念を導入し、この枠組みにおける公正のコストを定量化する。 利用可能な資源のレベルがこのコストに大きく影響することを示し、これは以前の評価で見落とされた要素である。
• 参考スコア（独自算出の注目度）: 6.5549655910531195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Access to resources strongly constrains the decisions we make. While we might wish to offer every student a scholarship, or schedule every patient for follow-up meetings with a specialist, limited resources mean that this is not possible. When deploying machine learning systems, these resource constraints are simply enforced by varying the threshold of a classifier. However, these finite resource limitations are disregarded by most existing tools for fair machine learning, which do not allow the specification of resource limitations and do not remain fair when varying thresholds. This makes them ill-suited for real-world deployment. Our research introduces the concept of "resource-constrained fairness" and quantifies the cost of fairness within this framework. We demonstrate that the level of available resources significantly influences this cost, a factor overlooked in previous evaluations.
• Abstract（参考訳）: リソースへのアクセスは、決定を強く制約します。 学生全員に奨学金を提供したい、あるいは専門家とのフォローアップミーティングのために患者全員をスケジュールしたいと思うかもしれませんが、リソースは限られているため、これは不可能です。 機械学習システムをデプロイする場合、これらのリソース制約は、分類器のしきい値を変更することで単純に強制される。 しかし、これらの有限リソース制限は、リソース制限の仕様を許さず、しきい値が変化しても公平に保たない、公正な機械学習のためのほとんどの既存のツールには無視されている。 これにより、実際のデプロイメントには適さない。 本研究は「資源制約公正」の概念を導入し、この枠組みにおける公正のコストを定量化する。 利用可能な資源のレベルがこのコストに大きく影響することを示し、これは以前の評価で見落とされた要素である。

関連論文リスト

• Equitable-FL: Federated Learning with Sparsity for Resource-Constrained Environment [10.980548731600116]
  本稿では,資源制約環境下でうまく機能する疎結合型学習法を提案する。 私たちの目標は、ノードの空間、コンピューティング、帯域幅の不足に関わらず、学習を可能にすることです。 畳み込みニューラルネットワークのトレーニング実験の結果, 等価FLの有効性が検証された。
  論文  参考訳（メタデータ） (2023-09-02T08:40:17Z)
• Resilient Constrained Learning [94.27081585149836]
  本稿では,学習課題を同時に解決しながら,要求に適応する制約付き学習手法を提案する。 我々はこの手法を、その操作を変更することで破壊に適応する生態システムを記述する用語に因んで、レジリエントな制約付き学習と呼ぶ。
  論文  参考訳（メタデータ） (2023-06-04T18:14:18Z)
• Operating critical machine learning models in resource constrained regimes [0.18416014644193066]
  本研究では,資源消費とディープラーニングモデルの性能のトレードオフについて検討する。 ディープラーニングモデルは、クリニックのようなクリティカルな環境で使用される。
  論文  参考訳（メタデータ） (2023-03-17T12:02:08Z)
• Online Learning with Knapsacks: the Best of Both Worlds [54.28273783164608]
  オンライン学習の課題として,意思決定者が,リソース制約の有限セットに違反することなく,期待する報酬を最大化したい,という課題を提起する。 当社のフレームワークは,意思決定者がそのエビデンスを柔軟かつコスト論的に扱えるようにします。
  論文  参考訳（メタデータ） (2022-02-28T12:10:48Z)
• Constrained Learning with Non-Convex Losses [119.8736858597118]
  学習は現代の情報処理の中核技術になっているが、バイアス、安全でない、偏見のあるソリューションにつながるという証拠はたくさんある。
  論文  参考訳（メタデータ） (2021-03-08T23:10:33Z)
• A Robust and Domain-Adaptive Approach for Low-Resource Named Entity Recognition [18.871792902695855]
  低リソース NER のための堅牢かつドメイン適応型アプローチ RDANER を提案する。 本手法は,安価で手軽に得られる資源のみを使用する場合,最高の性能を実現する。
  論文  参考訳（メタデータ） (2021-01-02T06:47:01Z)
• Online Learning Demands in Max-min Fairness [91.37280766977923]
  本稿では,複数のユーザ間の希少リソースの割り当て機構について,効率的で公平で戦略に準拠した方法で記述する。 このメカニズムは複数のラウンドで繰り返され、各ラウンドでユーザの要求が変更される可能性がある。 各ラウンドの最後には、ユーザは受け取ったアロケーションに関するフィードバックを提供し、そのメカニズムが時間の経過とともにユーザの好みを学習することを可能にする。
  論文  参考訳（メタデータ） (2020-12-15T22:15:20Z)
• Coordinated Online Learning for Multi-Agent Systems with Coupled Constraints and Perturbed Utility Observations [91.02019381927236]
  本研究では, 資源制約を満たすため, エージェントを安定な集団状態へ誘導する新しい手法を提案する。 提案手法は,ゲームラグランジアンの拡張によるリソース負荷に基づく分散リソース価格設定手法である。
  論文  参考訳（メタデータ） (2020-10-21T10:11:17Z)
• Hierarchical Adaptive Contextual Bandits for Resource Constraint based Recommendation [49.69139684065241]
  コンテキスト多重武装バンディット(MAB)は、様々な問題において最先端のパフォーマンスを達成する。 本稿では,階層型適応型文脈帯域幅法(HATCH)を提案する。
  論文  参考訳（メタデータ） (2020-04-02T17:04:52Z)

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。