論文の概要: Fairly Accurate: Fairness-aware Multi-group Target Detection in Online Discussion
- arxiv url: http://arxiv.org/abs/2407.11933v2
- Date: Wed, 25 Jun 2025 23:07:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-06-27 19:53:09.766797
- Title: Fairly Accurate: Fairness-aware Multi-group Target Detection in Online Discussion
- Title（参考訳）: 公正な精度:オンライン討論におけるフェアネスを考慮したマルチグループターゲット検出
- Authors: Soumyajit Gupta, Maria De-Arteaga, Matthew Lease,
- Abstract要約: 本研究は,毒性検出の文脈における標的群検出の公平性に焦点をあてる。
毒性は非常に文脈的であるため、一般的に良性に見える言語は特定の集団を標的にすると有害である可能性がある。
提案手法は, フェアネスを意識したマルチターゲット群検出において, 競合予測性能を実現し, 既存のフェアネスを意識したベースラインよりも優れていることを示す。
- 参考スコア（独自算出の注目度）: 8.812487330632282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Target-group detection is the task of detecting which group(s) a social media post is ``directed at or about'', with various applications, such as targeted-marketing. In this work, we focus on the fairness implications of target-group detection in the context of toxicity detection, where the perceived harm of a post often depends on which group(s) it targets. Because toxicity is highly contextual, language that appears benign in general may be harmful when targeting specific demographic groups. It is thus important to first detect which group(s) are being {\em targeted} by a post as a precursor to the subsequent task of determining whether the post is toxic given the group(s). Target-group detection is also challenging: a single post may simultaneously target one to many groups, and we must detect groups fairly in order to promote equitable treatment. We show that our proposed approach to {\em fairness-aware multi target-group detection} not only reduces bias across groups, but also achieves competitive predictive performance, outperforming existing fairness-aware baselines. To spur future research on fairness-aware target-group detection and support competitive benchmarking, we also share our code.
- Abstract（参考訳）: ターゲットグループ検出(Target-group detection)とは、ターゲットマーケティングなどの様々なアプリケーションを用いて、ソーシャルメディアの投稿が「方向付けされているか」のどのグループかを検出するタスクである。
本研究は, 有害度検出の文脈における標的群検出の公平性に焦点をあてる。
毒性は非常に文脈的であるため、一般的に良性に見える言語は特定の集団を標的にすると有害である可能性がある。
したがって、最初にどの群が標的にされているかを検出することが重要であり、そのポストが群から有毒であるかどうかを判断する次のタスクの前駆者となる。
1つのポストが同時に1から複数のグループをターゲットにし、公平な治療を促進するためにグループを公平に検出する必要がある。
提案手法は, グループ間の偏差を低減させるだけでなく, 競合予測性能も達成し, 既存のフェアネス認識ベースラインよりも優れていることを示す。
フェアネスを意識したターゲットグループ検出と競合ベンチマークのサポートに関する今後の研究を促進するため、コード共有も行います。
関連論文リスト
- Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [53.96714099151378]
画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。
本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。
我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
論文 参考訳（メタデータ） (2025-03-12T15:46:12Z) - Differential Adjusted Parity for Learning Fair Representations [14.267727134658292]
公正で偏見のない機械学習モデルの開発は、人工知能分野の研究者にとって現在も進行中の目標である。
偏差適応パリティ(DAP)の損失を非偏差情報表現として導入する。
論文 参考訳（メタデータ） (2025-02-13T20:48:26Z) - Generalization bounds for regression and classification on adaptive covering input domains [1.4141453107129398]
一般化誤差の上限となる一般化境界に着目する。
分類タスクの場合、対象関数を1ホット、ピースワイド定数関数として扱い、誤差測定に0/1ロスを用いる。
論文 参考訳（メタデータ） (2024-07-29T05:40:08Z) - Hate Speech Detection with Generalizable Target-aware Fairness [31.019324291704628]
Generalizable target-aware Fairness (GetFair) は、推論中に多様で見えないターゲットを含む、各ポストを適切に分類する新しい方法である。
GetFairは、識別器を欺くために、対向パイプラインで一連のフィルタ関数を訓練する。
2つのHSDデータセットの実験では、サンプル外ターゲット上でのGetFairの利点が示されている。
論文 参考訳（メタデータ） (2024-05-28T13:09:22Z) - Bridging the Gap Between Target Networks and Functional Regularization [61.051716530459586]
関数空間における凸正規化器であり、容易に調整できる明示的な関数正規化を提案する。
提案手法の収束を理論的・実験的に解析し,より理論的に根ざした機能正規化アプローチでターゲットネットワークを置き換えることにより,サンプリング効率と性能が向上することが実証された。
論文 参考訳（メタデータ） (2022-10-21T22:27:07Z) - AcroFOD: An Adaptive Method for Cross-domain Few-shot Object Detection [59.10314662986463]
クロスドメインの少数ショットオブジェクト検出は、いくつかの注釈付きターゲットデータで対象ドメイン内のオブジェクト検出器を適応することを目的としている。
提案手法は,複数のベンチマーク上での最先端性能を実現する。
論文 参考訳（メタデータ） (2022-09-22T10:23:40Z) - Revisiting AP Loss for Dense Object Detection: Adaptive Ranking Pair
Selection [19.940491797959407]
本研究では, 平均精度 (AP) の損失を再考し, その重要な要素は, 正試料と負試料のランキングペアを選択することであることを明らかにした。
本稿では,AP損失を改善するための2つの方法を提案する。第1に,APE(Adaptive Pairwise Error)損失は,正と負の両方のサンプルにおいて,ペアのランク付けに重点を置いている。
MSCOCOデータセットで行った実験は、現在の分類とランキングの損失と比較して、提案手法の優位性を実証し、分析を支援した。
論文 参考訳（メタデータ） (2022-07-25T10:33:06Z) - Searching Parameterized AP Loss for Object Detection [36.3603004789312]
ロス関数はディープネットワークベースの物体検出器の訓練において重要な役割を果たす。
AP計量の微分不可能な性質のため、従来の物体検出器は2つのサブタスクに対して別々の微分可能な損失を課す。
そこで,パラメータ化関数を導入して,AP計算における非微分可能成分を代用するパラメータ化APロスを提案する。
論文 参考訳（メタデータ） (2021-12-09T18:59:54Z) - Costs and Benefits of Wasserstein Fair Regression [11.134279147254361]
本稿では,レグレッション・セッティングにおける統計的パリティと精度の相違点を特徴付ける。
我々の下限はシャープでアルゴリズムに依存しておらず、単純な解釈を許している。
我々は,表現学習のレンズを用いて,公正回帰のための実用的なアルゴリズムを開発した。
論文 参考訳（メタデータ） (2021-06-16T14:24:44Z) - KL Guided Domain Adaptation [88.19298405363452]
ドメイン適応は重要な問題であり、現実世界のアプリケーションにしばしば必要である。
ドメイン適応文学における一般的なアプローチは、ソースとターゲットドメインに同じ分布を持つ入力の表現を学ぶことである。
確率的表現ネットワークにより、KL項はミニバッチサンプルにより効率的に推定できることを示す。
論文 参考訳（メタデータ） (2021-06-14T22:24:23Z) - Deep F-measure Maximization for End-to-End Speech Understanding [52.36496114728355]
本稿では,F測度に対する微分可能な近似法を提案し,標準バックプロパゲーションを用いてネットワークをトレーニングする。
我々は、アダルト、コミュニティ、犯罪の2つの標準フェアネスデータセットの実験を行い、ATISデータセットの音声・インテリジェンス検出と音声・COCOデータセットの音声・イメージ概念分類を行った。
これらの4つのタスクのすべてにおいて、F測定は、クロスエントロピー損失関数で訓練されたモデルと比較して、最大8%の絶対的な絶対的な改善を含む、マイクロF1スコアの改善をもたらす。
論文 参考訳（メタデータ） (2020-08-08T03:02:27Z) - Mitigating Face Recognition Bias via Group Adaptive Classifier [53.15616844833305]
この研究は、全てのグループの顔がより平等に表現できる公正な顔表現を学ぶことを目的としている。
我々の研究は、競争精度を維持しながら、人口集団間での顔認識バイアスを軽減することができる。
論文 参考訳（メタデータ） (2020-06-13T06:43:37Z) - Learning a Unified Sample Weighting Network for Object Detection [113.98404690619982]
地域サンプリングや重み付けは、現代の地域ベースの物体検出器の成功に極めて重要である。
サンプル重み付けはデータ依存でタスク依存であるべきだと我々は主張する。
サンプルのタスク重みを予測するための統一的なサンプル重み付けネットワークを提案する。
論文 参考訳（メタデータ） (2020-06-11T16:19:16Z)
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。