論文の概要: On the Consistency of Fairness Measurement Methods for Regression Tasks
- arxiv url: http://arxiv.org/abs/2406.13681v1
- Date: Wed, 19 Jun 2024 16:35:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-06-21 18:54:50.826550
- Title: On the Consistency of Fairness Measurement Methods for Regression Tasks
- Title(参考訳): 回帰作業における公平度測定手法の整合性について
- Authors: Abdalwahab Almajed, Maryam Tabar, Peyman Najafirad,
- Abstract要約: 本稿では,様々な公正度測定手法の出力の整合性について検討する。
いくつかの公正度測定手法は様々な回帰タスクに対して強い整合性を示すが、特定の回帰タスクでは比較的不整合性を示す。
- 参考スコア(独自算出の注目度): 4.4701415309453285
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: With growing applications of Machine Learning (ML) techniques in the real world, it is highly important to ensure that these models work in an equitable manner. One main step in ensuring fairness is to effectively measure fairness, and to this end, various metrics have been proposed in the past literature. While the computation of those metrics are straightforward in the classification set-up, it is computationally intractable in the regression domain. To address the challenge of computational intractability, past literature proposed various methods to approximate such metrics. However, they did not verify the extent to which the output of such approximation algorithms are consistent with each other. To fill this gap, this paper comprehensively studies the consistency of the output of various fairness measurement methods through conducting an extensive set of experiments on various regression tasks. As a result, it finds that while some fairness measurement approaches show strong consistency across various regression tasks, certain methods show a relatively poor consistency in certain regression tasks. This, in turn, calls for a more principled approach for measuring fairness in the regression domain.
- Abstract(参考訳): 機械学習(ML)技術の現実世界への応用が拡大する中で、これらのモデルが適切な方法で動作することを保証することが極めて重要である。
公正性を確保するための主要なステップは、効果的に公正性を測定することである。
これらのメトリクスの計算は分類セットで簡単であるが、回帰領域では計算的に抽出可能である。
計算の難易度という課題に対処するため、過去の文献はそのような指標を近似する様々な方法を提案した。
しかし、そのような近似アルゴリズムの出力がどの程度一致しているかは検証されなかった。
このギャップを埋めるために,本論文では,様々な回帰タスクに対する広範な実験を行うことにより,様々な公正度測定手法の出力の整合性について包括的に研究する。
その結果, 様々な回帰タスクに対して強い整合性を示すフェアネス測定手法があるが, 特定の回帰タスクでは比較的不整合性を示す手法があることがわかった。
これは逆に、回帰領域の公平性を測定するためのより原則化されたアプローチを要求する。
関連論文リスト
- Beyond ELBOs: A Large-Scale Evaluation of Variational Methods for Sampling [14.668634411361307]
標準化されたタスクスイートと幅広い性能基準を用いてサンプリング手法を評価するベンチマークを導入する。
モード崩壊の定量化のための既存のメトリクスについて検討し、この目的のために新しいメトリクスを導入する。
論文 参考訳(メタデータ) (2024-06-11T16:23:33Z) - Robust Analysis of Multi-Task Learning Efficiency: New Benchmarks on Light-Weighed Backbones and Effective Measurement of Multi-Task Learning Challenges by Feature Disentanglement [69.51496713076253]
本稿では,既存のMTL手法の効率性に焦点をあてる。
バックボーンを小さくしたメソッドの大規模な実験と,MetaGraspNetデータセットを新しいテストグラウンドとして実施する。
また,MTLにおける課題の新規かつ効率的な識別子として,特徴分散尺度を提案する。
論文 参考訳(メタデータ) (2024-02-05T22:15:55Z) - Medoid splits for efficient random forests in metric spaces [0.0]
本稿では、Fr'echet回帰に対するランダムフォレストの適応を再検討し、計量空間における回帰の課題に対処する。
本稿では,Fr'echetの計算コストのかかる操作を,メドイドベースのアプローチで置き換えることによって回避する新たな分割規則を提案する。
論文 参考訳(メタデータ) (2023-06-29T15:32:11Z) - SARAH-based Variance-reduced Algorithm for Stochastic Finite-sum
Cocoercive Variational Inequalities [137.6408511310322]
有限サムコヒーレンシブ変分不等式の問題を考える。
強い単調な問題に対しては、この方法を用いて解への線形収束を達成することができる。
論文 参考訳(メタデータ) (2022-10-12T08:04:48Z) - Robust online joint state/input/parameter estimation of linear systems [0.0]
本稿では,線形システムの状態,入力,パラメータをオンライン形式で共同で推定する手法を提案する。
この方法は、非ガウス雑音や外れ値で劣化した測定のために特別に設計されている。
論文 参考訳(メタデータ) (2022-04-12T09:41:28Z) - On Modality Bias Recognition and Reduction [70.69194431713825]
マルチモーダル分類の文脈におけるモダリティバイアス問題について検討する。
本稿では,各ラベルの特徴空間を適応的に学習するプラグアンドプレイ損失関数法を提案する。
本手法は, ベースラインに比べ, 顕著な性能向上を実現している。
論文 参考訳(メタデータ) (2022-02-25T13:47:09Z) - Trustworthy Multimodal Regression with Mixture of Normal-inverse Gamma
Distributions [91.63716984911278]
このアルゴリズムは、異なるモードの適応的統合の原理における不確かさを効率的に推定し、信頼できる回帰結果を生成する。
実世界のデータと実世界のデータの両方に対する実験結果から,多モード回帰タスクにおける本手法の有効性と信頼性が示された。
論文 参考訳(メタデータ) (2021-11-11T14:28:12Z) - A Statistical Analysis of Summarization Evaluation Metrics using
Resampling Methods [60.04142561088524]
信頼区間は比較的広く,信頼性の高い自動測定値の信頼性に高い不確実性を示す。
多くのメトリクスはROUGEよりも統計的改善を示していないが、QAEvalとBERTScoreという2つの最近の研究は、いくつかの評価設定で行われている。
論文 参考訳(メタデータ) (2021-03-31T18:28:14Z) - Towards Certified Robustness of Distance Metric Learning [53.96113074344632]
我々は,距離学習アルゴリズムの一般化とロバスト性を改善するために,入力空間に逆のマージンを付与することを提唱する。
アルゴリズム的ロバスト性の理論手法を用いることにより,拡張マージンは一般化能力に有益であることを示す。
論文 参考訳(メタデータ) (2020-06-10T16:51:53Z) - Fair inference on error-prone outcomes [0.0]
提案手法では, エラー発生時プロキシターゲットを用いた場合, 正当性基準の評価と校正を行う既存の手法が, 真の対象変数に拡張されないことを示す。
本稿では,統計的文献から見いだされる公正なML手法と測定モデルの組み合わせから得られる枠組みを提案する。
医療決定問題では,測定誤差を考慮に入れた潜伏変数モデルを用いることで,これまで検出された不公平さを排除できることが判明した。
論文 参考訳(メタデータ) (2020-03-17T10:31:59Z)
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。