論文の概要: Fair Data Generation via Score-based Diffusion Model

• arxiv url: http://arxiv.org/abs/2406.09495v1
• Date: Thu, 13 Jun 2024 17:36:05 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-17 17:34:26.667647
• Title: Fair Data Generation via Score-based Diffusion Model
• Title（参考訳）: スコアベース拡散モデルによる公正データ生成
• Authors: Yujie Lin, Dong Li, Chen Zhao, Minglai Shao,
• Abstract要約: 拡散モデルに基づくフレームワーク FADM: Fairness-Aware Diffusion with Meta-training を提案する。 下流のタスクで使用するバイアス付きデータセットから、完全に新しい、公正な合成データを生成する。 実データセットの実験により、FADMは下流タスクの精度と最適な公正性を達成することが示された。
• 参考スコア（独自算出の注目度）: 9.734351986961613
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The fairness of AI decision-making has garnered increasing attention, leading to the proposal of numerous fairness algorithms. In this paper, we aim not to address this issue by directly introducing fair learning algorithms, but rather by generating entirely new, fair synthetic data from biased datasets for use in any downstream tasks. Additionally, the distribution of test data may differ from that of the training set, potentially impacting the performance of the generated synthetic data in downstream tasks. To address these two challenges, we propose a diffusion model-based framework, FADM: Fairness-Aware Diffusion with Meta-training. FADM introduces two types of gradient induction during the sampling phase of the diffusion model: one to ensure that the generated samples belong to the desired target categories, and another to make the sensitive attributes of the generated samples difficult to classify into any specific sensitive attribute category. To overcome data distribution shifts in the test environment, we train the diffusion model and the two classifiers used for induction within a meta-learning framework. Compared to other baselines, FADM allows for flexible control over the categories of the generated samples and exhibits superior generalization capability. Experiments on real datasets demonstrate that FADM achieves better accuracy and optimal fairness in downstream tasks.
• Abstract（参考訳）: AI意思決定の公正さは注目度を高め、多くの公正性アルゴリズムの提案につながった。 本稿では,この問題を解決するために,公平な学習アルゴリズムを直接導入するのではなく,任意の下流タスクで使用するバイアス付きデータセットから,完全に新しい公正な合成データを生成する。 さらに、テストデータの分布はトレーニングセットと異なり、下流タスクで生成された合成データのパフォーマンスに影響を与える可能性がある。 これら2つの課題に対処するために,拡散モデルに基づくフレームワーク FADM: Fairness-Aware Diffusion with Meta-training を提案する。 FADMは、拡散モデルのサンプリング段階における勾配誘導の2つのタイプを導入し、その1つは、生成したサンプルが所望の目標カテゴリに属することを確実にし、もう1つは、生成したサンプルの感度特性を、特定の感度属性カテゴリに分類することを困難にすることである。 テスト環境におけるデータ分散シフトを克服するために,メタラーニングフレームワーク内での誘導に使用される拡散モデルと2つの分類器を訓練する。 他のベースラインと比較して、FADMは生成されたサンプルのカテゴリを柔軟に制御することができ、より優れた一般化能力を示す。 実データセットの実験により、FADMは下流タスクの精度と最適な公正性を達成することが示された。

関連論文リスト

• FEED: Fairness-Enhanced Meta-Learning for Domain Generalization [13.757379847454372]
  モデルフェアネスを認識しながら配布外データに一般化することは、メタラーニングにおいて重要かつ困難な問題である。 本稿では,ドメインの一般化能力を大幅に向上させるフェアネスを考慮したメタラーニング手法を提案する。
  論文  参考訳（メタデータ） (2024-11-02T17:34:33Z)
• Distributionally Generative Augmentation for Fair Facial Attribute Classification [69.97710556164698]
  Facial Attribute Classification (FAC) は広く応用されている。 従来の手法で訓練されたFACモデルは、様々なデータサブポピュレーションにまたがる精度の不整合を示すことによって不公平である可能性がある。 本研究は,付加アノテーションなしでバイアスデータ上で公正なFACモデルをトレーニングするための,新しい世代ベースの2段階フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-11T10:50:53Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Transferring Fairness under Distribution Shifts via Fair Consistency Regularization [15.40257564187799]
  本研究では,分散シフトの下でモデルフェアネスを伝達する方法について検討する。 ドメインシフトの下での転送精度の自己学習の成功に触発されて、グループフェアネスの転送に十分な条件が導出される。
  論文  参考訳（メタデータ） (2022-06-26T06:19:56Z)
• Certifying Some Distributional Fairness with Subpopulation Decomposition [20.009388617013986]
  まず、最適化問題として、与えられたデータ分布に基づいて訓練されたMLモデルの正当性を定式化する。 次に、一般的な公平性認定フレームワークを提案し、センシティブなシフトと一般的なシフトの両方のシナリオでインスタンス化する。 我々のフレームワークは、追加の非スキューネス制約を統合する柔軟性があり、異なる実世界のシナリオ下でさらに厳密な認証を提供することを示す。
  論文  参考訳（メタデータ） (2022-05-31T01:17:50Z)
• Towards Fair Knowledge Transfer for Imbalanced Domain Adaptation [61.317911756566126]
  本研究では,不均衡なドメイン間学習における公平性問題に対処するTowards Fair Knowledge Transferフレームワークを提案する。 具体的には、新規なクロスドメインミックスアップ生成を利用して、ターゲット情報でマイノリティソースセットを増強し、公正性を高める。 本モデルでは,2つのベンチマークで全体の精度を20%以上向上させる。
  論文  参考訳（メタデータ） (2020-10-23T06:29:09Z)
• Learning Invariant Representations and Risks for Semi-supervised Domain Adaptation [109.73983088432364]
  半教師付きドメイン適応(Semi-DA)の設定の下で不変表現とリスクを同時に学習することを目的とした最初の手法を提案する。 共同で textbfLearning textbfInvariant textbfRepresentations と textbfRisks の LIRR アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2020-10-09T15:42:35Z)

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。