論文の概要: Long-Term Fairness Inquiries and Pursuits in Machine Learning: A Survey of Notions, Methods, and Challenges

• arxiv url: http://arxiv.org/abs/2406.06736v1
• Date: Mon, 10 Jun 2024 18:57:06 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-12 20:25:28.277896
• Title: Long-Term Fairness Inquiries and Pursuits in Machine Learning: A Survey of Notions, Methods, and Challenges
• Title（参考訳）: 機械学習における長期フェアネス調査と課題--表記・方法・課題の調査から
• Authors: Usman Gohar, Zeyu Tang, Jialu Wang, Kun Zhang, Peter L. Spirtes, Yang Liu, Lu Cheng,
• Abstract要約: 近年の研究では、市販のフェアネスアプローチは長期的なフェアネスを達成する目的には役に立たないことが示されている。 フィードバックループの存在とモデルと環境の間の相互作用は、初期公正性目標から逸脱する可能性のある追加の複雑さをもたらす。
• 参考スコア（独自算出の注目度）: 19.685629401168832
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The widespread integration of Machine Learning systems in daily life, particularly in high-stakes domains, has raised concerns about the fairness implications. While prior works have investigated static fairness measures, recent studies reveal that automated decision-making has long-term implications and that off-the-shelf fairness approaches may not serve the purpose of achieving long-term fairness. Additionally, the existence of feedback loops and the interaction between models and the environment introduces additional complexities that may deviate from the initial fairness goals. In this survey, we review existing literature on long-term fairness from different perspectives and present a taxonomy for long-term fairness studies. We highlight key challenges and consider future research directions, analyzing both current issues and potential further explorations.
• Abstract（参考訳）: 機械学習システムの日常生活、特にハイテイクドメインにおける広範な統合は、フェアネスの影響を懸念している。 先行研究は静的フェアネス対策を研究してきたが、最近の研究では、自動意思決定は長期的な意味を持ち、既成のフェアネスアプローチは長期的なフェアネスを達成する目的を果たさない可能性があることが示されている。 さらに、フィードバックループの存在とモデルと環境の間の相互作用は、初期公正性目標から逸脱する可能性のある追加の複雑さを導入します。 本稿では,様々な観点からの長期公正に関する文献をレビューし,長期公正研究のための分類について紹介する。 我々は、重要な課題を強調し、今後の研究の方向性を考察し、現在の課題とさらなる調査の可能性の両方を分析します。

関連論文リスト

• A Comprehensive Survey of Forgetting in Deep Learning Beyond Continual Learning [76.47138162283714]
  蓄積とは、以前取得した情報や知識の喪失または劣化を指す。 フォッテッティングは、深層学習における様々な研究領域でよく見られる現象である。 調査では、忘れることは二重刃の剣であり、ある場合には有益で望ましいと論じている。
  論文  参考訳（メタデータ） (2023-07-16T16:27:58Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• Tier Balancing: Towards Dynamic Fairness over Underlying Causal Factors [11.07759054787023]
  長期的な公正性の追求には、意思決定と基礎となるデータ生成プロセスの相互作用が含まれる。 技術的には難しいが、達成すべき自然な概念であるティアバランシングを提案します。 特定力学の下では、一般に1段階の介入によってしか長期的な公正化の目標を達成できないことが証明される。
  論文  参考訳（メタデータ） (2023-01-21T18:05:59Z)
• Parsing Objects at a Finer Granularity: A Survey [54.72819146263311]
  微細な視覚解析は、農業、リモートセンシング、宇宙技術など、多くの現実世界の応用において重要である。 卓越した研究努力は、異なるパラダイムに従って、これらのきめ細かいサブタスクに取り組む。 我々は,パート関係を学習する新たな視点から,先進的な研究を深く研究する。
  論文  参考訳（メタデータ） (2022-12-28T04:20:10Z)
• Continuous-time Analysis for Variational Inequalities: An Overview and Desiderata [87.77379512999818]
  広義のVI問題クラスを対象とする手法の分析と設計における連続時間視点の利用の最近の進歩について概説する。 本発表では, 単目的問題と多目的問題とを対比し, 後者の課題を浮き彫りにした。 また、一般の VI に適用可能なアルゴリズムに対して様々なデシダラタを定式化し、これらのデシダラタを達成することは関連する連続時間力学の理解から利益を得る可能性があると論じる。
  論文  参考訳（メタデータ） (2022-07-14T17:58:02Z)
• What-is and How-to for Fairness in Machine Learning: A Survey, Reflection, and Perspective [13.124434298120494]
  機械学習文学においてこれまで提案されてきたフェアネスの概念を概観し,考察する。 また、現在の予測と決定によって引き起こされる長期的な影響についても検討する。 本稿では、目的を達成するために、ミッション(どんな公正を強制したいのか)と手段(どの公正分析が興味を持つのか)を一致させることの重要性を示す。
  論文  参考訳（メタデータ） (2022-06-08T18:05:46Z)
• Fairness in Recommender Systems: Research Landscape and Future Directions [119.67643184567623]
  本稿は,近年の地域におけるフェアネスの概念と概念について概観する。 この分野での研究が現在どのように行われているのかを概観する。 全体として、最近の研究成果の分析は、ある研究のギャップを示している。
  論文  参考訳（メタデータ） (2022-05-23T08:34:25Z)
• Deep Long-Tailed Learning: A Survey [163.16874896812885]
  ディープ・ロングテール・ラーニング(Deep Long-tailed Learning)は、長いテールのクラス分布に追従する多数の画像から、優れたパフォーマンスのディープモデルをトレーニングすることを目的としている。 長い尾を持つクラス不均衡は、現実的な視覚認識タスクにおいて一般的な問題である。 本稿では,近年の長期学習の進歩を包括的に調査する。
  論文  参考訳（メタデータ） (2021-10-09T15:25:22Z)

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。