Fugu-MT 論文翻訳(概要): Fairness-aware Multiobjective Evolutionary Learning

論文の概要: Fairness-aware Multiobjective Evolutionary Learning

arxiv url: http://arxiv.org/abs/2409.18499v1
Date: Fri, 27 Sep 2024 07:32:42 GMT
ステータス: 処理完了
システム内更新日: 2024-11-06 05:52:22.690843
Title: Fairness-aware Multiobjective Evolutionary Learning
Title（参考訳）: フェアネスを考慮した多目的進化学習
Authors: Qingquan Zhang, Jialin Liu, Xin Yao,
Abstract要約: 多目的進化学習(MOEL)は、より公正な機械学習モデルを訓練する利点を実証している。近年の研究では、モデルトレーニングを通してMOELの最適化目的として、公正度尺度の代表的なサブセットを構築することを提案する。本稿では,モデル学習中にオンラインに設定された代表測度を動的かつ適応的に決定することを提案する。
参考スコア（独自算出の注目度）: 4.9267335834028625
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Multiobjective evolutionary learning (MOEL) has demonstrated its advantages of training fairer machine learning models considering a predefined set of conflicting objectives, including accuracy and different fairness measures. Recent works propose to construct a representative subset of fairness measures as optimisation objectives of MOEL throughout model training. However, the determination of a representative measure set relies on dataset, prior knowledge and requires substantial computational costs. What's more, those representative measures may differ across different model training processes. Instead of using a static predefined set determined before model training, this paper proposes to dynamically and adaptively determine a representative measure set online during model training. The dynamically determined representative set is then used as optimising objectives of the MOEL framework and can vary with time. Extensive experimental results on 12 well-known benchmark datasets demonstrate that our proposed framework achieves outstanding performance compared to state-of-the-art approaches for mitigating unfairness in terms of accuracy as well as 25 fairness measures although only a few of them were dynamically selected and used as optimisation objectives. The results indicate the importance of setting optimisation objectives dynamically during training.
Abstract（参考訳）: 多目的進化学習(MOEL)は、精度と異なる公正度測定を含む相反する目的の事前定義されたセットを考慮して、より公平な機械学習モデルを訓練する利点を実証している。近年の研究では、モデルトレーニングを通してMOELの最適化目的として、公正度尺度の代表的なサブセットを構築することを提案する。しかし、代表測度セットの決定はデータセット、事前の知識に依存し、かなりの計算コストを必要とする。さらに、これらの代表的措置は、異なるモデルトレーニングプロセスによって異なるかもしれません。本稿では,モデルトレーニングに先立って決定された静的な事前定義された集合を使用する代わりに,モデルトレーニング中にオンラインの代表的な測度を動的かつ適応的に決定することを提案する。動的に決定された代表集合はMOELフレームワークの目的を最適化するために使用され、時間とともに変化する。 12のよく知られたベンチマークデータセットに対する大規模な実験結果から,提案するフレームワークは,精度の面で不公平を緩和するための最先端のアプローチと,25の公正度対策とを比較した。その結果、トレーニング中に最適化目標を動的に設定することの重要性が示唆された。

関連論文リスト

Selective Mixup Fine-Tuning for Optimizing Non-Decomposable Objectives [17.10165955576643]
現在の最先端の実証技術は、実用的で非分解不能な性能目標に対して、準最適性能を提供する。本稿では,SelMixを提案する。SelMixは,事前学習モデルに対して,選択型ミキサアップに基づく安価な微調整技術である。提案したSelMixファインタニングにより,ベンチマーク間での様々な非分解性目標の性能が大幅に向上することがわかった。
論文参考訳（メタデータ） (2024-03-27T06:55:23Z)
On the Robustness of Decision-Focused Learning [0.0]
決定焦点学習(Decision-Focused Learning, DFL)は、機械学習(ML)モデルを訓練し、不完全な最適化問題の欠落パラメータを予測するための新興学習パラダイムである。 DFLは、予測と最適化タスクを統合することで、エンドツーエンドシステムでMLモデルをトレーニングし、トレーニングとテストの目的の整合性を向上させる。
論文参考訳（メタデータ） (2023-11-28T04:34:04Z)
Building a Winning Team: Selecting Source Model Ensembles using a Submodular Transferability Estimation Approach [20.86345962679122]
公開されている事前訓練されたモデルの目標タスクへの転送可能性の推定は、伝達学習タスクにとって重要な場所となっている。本稿では, モデルアンサンブルの下流タスクへの転送可能性を評価するために, 最適なtranSportベースのsuBmOdular tRaNsferability Metrics(OSBORN)を提案する。
論文参考訳（メタデータ） (2023-09-05T17:57:31Z)
Universal Semi-supervised Model Adaptation via Collaborative Consistency Training [92.52892510093037]
我々は、Universal Semi-supervised Model Adaptation (USMA)と呼ばれる現実的で挑戦的なドメイン適応問題を導入する。本稿では,2つのモデル間の予測整合性を規則化する協調的整合性トレーニングフレームワークを提案する。実験により,いくつかのベンチマークデータセットにおける本手法の有効性が示された。
論文参考訳（メタデータ） (2023-07-07T08:19:40Z)
Is Your Model "MADD"? A Novel Metric to Evaluate Algorithmic Fairness for Predictive Student Models [0.0]
本稿では,モデルの識別行動を分析するために,モデル絶対密度距離(MADD)を提案する。オンライン授業における学生の成功を予測するための共通課題に対するアプローチを,いくつかの共通予測分類モデルを用いて評価した。
論文参考訳（メタデータ） (2023-05-24T16:55:49Z)
On the Trade-off of Intra-/Inter-class Diversity for Supervised Pre-training [72.8087629914444]
教師付き事前学習データセットのクラス内多様性(クラス毎のサンプル数)とクラス間多様性(クラス数)とのトレードオフの影響について検討した。トレーニング前のデータセットのサイズが固定された場合、最高のダウンストリームのパフォーマンスは、クラス内/クラス間の多様性のバランスがとれる。
論文参考訳（メタデータ） (2023-05-20T16:23:50Z)
Variable Importance Matching for Causal Inference [73.25504313552516]
これらの目標を達成するためのModel-to-Matchと呼ばれる一般的なフレームワークについて説明する。 Model-to-Matchは、距離メートル法を構築するために変数重要度測定を使用する。 LASSO を用いて Model-to-Match フレームワークを運用する。
論文参考訳（メタデータ） (2023-02-23T00:43:03Z)
Implicit Training of Energy Model for Structure Prediction [14.360826930970765]
本研究では,既存の推論ネットワークに基づく構造予測手法が,エネルギーモデルによりパラメータ化された動的損失目標を最適化するために間接的に学習されていることを論じる。次に、暗黙の漸進的手法を用いて、対応する動的目的を学習する。
論文参考訳（メタデータ） (2022-11-21T17:08:44Z)
Forging Multiple Training Objectives for Pre-trained Language Models via Meta-Learning [97.28779163988833]
複数の事前学習目標が単一目的言語モデリングの理解能力の欠如を埋める。メタラーニングに基づく新しい適応型サンプリングシステムであるtextitMOMETAS を提案し,任意の事前学習対象に対して潜時サンプリングパターンを学習する。
論文参考訳（メタデータ） (2022-10-19T04:38:26Z)
Self-Distillation for Further Pre-training of Transformers [83.84227016847096]
我々は、さらなる事前学習段階の正則化として自己蒸留を提案する。画像およびテキスト分類タスクのための様々なベンチマークデータセットにおける自己蒸留の有効性を実証的に検証する。
論文参考訳（メタデータ） (2022-09-30T02:25:12Z)
Models, Pixels, and Rewards: Evaluating Design Trade-offs in Visual Model-Based Reinforcement Learning [109.74041512359476]
視覚的MBRLアルゴリズムにおける予測モデルの設計決定について検討する。潜在空間の使用など、しばしば重要と見なされる設計上の決定は、タスクのパフォーマンスにはほとんど影響しないことが分かりました。我々は,この現象が探索とどのように関係しているか,および標準ベンチマークにおける下位スコーリングモデルのいくつかが,同じトレーニングデータでトレーニングされた場合のベストパフォーマンスモデルと同等の性能を発揮するかを示す。
論文参考訳（メタデータ） (2020-12-08T18:03:21Z)

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。