論文の概要: From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs

• arxiv url: http://arxiv.org/abs/2411.17582v1
• Date: Tue, 26 Nov 2024 16:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:32:39.967441
• Title: From Fairness to Infinity: Outcome-Indistinguishable (Omni)Prediction in Evolving Graphs
• Title（参考訳）: フェアネスからインフィニティへ:グラフの進化におけるアウトカム・インディペンシブル(Omni)予測
• Authors: Cynthia Dwork, Chris Hays, Nicole Immorlica, Juan C. Perdomo, Pranay Tankala,
• Abstract要約: これらのテクニックをグラフの進化に適用し、オンラインの結果を区別できない、リッチな(おそらく無限の)差別化要因のセットを得る。 これは、人口集団のペアに関して、エッジ形成のマルチキャリブレート予測をもたらす。
• 参考スコア（独自算出の注目度）: 11.033328323347963
• License:
• Abstract: Professional networks provide invaluable entree to opportunity through referrals and introductions. A rich literature shows they also serve to entrench and even exacerbate a status quo of privilege and disadvantage. Hiring platforms, equipped with the ability to nudge link formation, provide a tantalizing opening for beneficial structural change. We anticipate that key to this prospect will be the ability to estimate the likelihood of edge formation in an evolving graph. Outcome-indistinguishable prediction algorithms ensure that the modeled world is indistinguishable from the real world by a family of statistical tests. Omnipredictors ensure that predictions can be post-processed to yield loss minimization competitive with respect to a benchmark class of predictors for many losses simultaneously, with appropriate post-processing. We begin by observing that, by combining a slightly modified form of the online K29 star algorithm of Vovk (2007) with basic facts from the theory of reproducing kernel Hilbert spaces, one can derive simple and efficient online algorithms satisfying outcome indistinguishability and omniprediction, with guarantees that improve upon, or are complementary to, those currently known. This is of independent interest. We apply these techniques to evolving graphs, obtaining online outcome-indistinguishable omnipredictors for rich -- possibly infinite -- sets of distinguishers that capture properties of pairs of nodes, and their neighborhoods. This yields, inter alia, multicalibrated predictions of edge formation with respect to pairs of demographic groups, and the ability to simultaneously optimize loss as measured by a variety of social welfare functions.
• Abstract（参考訳）: プロのネットワークは、紹介や紹介を通じて、貴重な機会を提供する。 豊かな文学は、それらがエントレッチに役立ち、特権と不利のステータス・クォーを悪化させることさえ示している。 雇用プラットフォームは、リンクの形成を阻害する機能を備えており、有益な構造変更のためのタンタライズ開口を提供する。 この予測の鍵は、進化するグラフにおけるエッジ形成の可能性を推定する能力であると予想する。 結果区別不能な予測アルゴリズムは、モデル化された世界が統計テストのファミリによって現実世界と区別できないことを保証します。 Omnipredictorsは、予測が後処理され、適切な後処理とともに、多くの損失に対するベンチマーククラスに対する損失最小化が競合することを保証する。 我々は、Vovk (2007) のオンライン K29 スターアルゴリズムのわずかに修正された形式とカーネル・ヒルベルト空間の再現理論の基本的な事実を組み合わせることで、現在知られているものと相補的な保証を伴って、結果の不一致性と全正差を満足する単純で効率的なオンラインアルゴリズムを導出することができることを観察することから始める。 これは独立した関心事です。 これらのテクニックをグラフの進化に適用し、オンラインの結果を区別できない、リッチな(おそらく無限の)識別器の集合を、ノードのペアとその近傍のプロパティをキャプチャする。 これは、異名間、人口集団のペアに対するエッジ形成の多重校正予測、および様々な社会福祉機能によって測定された損失を同時に最適化する能力をもたらす。

関連論文リスト

• MAPPING: Debiasing Graph Neural Networks for Fair Node Classification with Limited Sensitive Information Leakage [1.8238848494579714]
  公正ノード分類のためのモデルに依存しない新しい脱バイアスフレームワーク MAPPing を提案する。 以上の結果から,MAPPingは実用性と公正性,および機密情報漏洩のプライバシーリスクとのトレードオフを良好に達成できることが示された。
  論文  参考訳（メタデータ） (2024-01-23T14:59:46Z)
• Semantic Strengthening of Neuro-Symbolic Learning [85.6195120593625]
  ニューロシンボリックアプローチは一般に確率論的目的のファジィ近似を利用する。 トラクタブル回路において,これを効率的に計算する方法を示す。 我々は,Warcraftにおける最小コストパスの予測,最小コスト完全マッチングの予測,スドクパズルの解法という3つの課題に対して,アプローチを検証した。
  論文  参考訳（メタデータ） (2023-02-28T00:04:22Z)
• Drop Edges and Adapt: a Fairness Enforcing Fine-tuning for Graph Neural Networks [9.362130313618797]
  リンク予測アルゴリズムは、特定の人口集団の個人間のリンクを嫌う傾向がある。 本稿では,グラフニューラルネットワークに対して,微調整戦略を用いて公平性を強制する新しい手法を提案する。 DEAの新たな特徴の1つは、微調整に離散的だが学習可能な隣接行列を使うことができることである。
  論文  参考訳（メタデータ） (2023-02-22T16:28:08Z)
• Bayesian Graph Contrastive Learning [55.36652660268726]
  本稿では,ランダムな拡張がエンコーダにつながることを示すグラフコントラスト学習手法の新たな視点を提案する。 提案手法は,各ノードを決定論的ベクトルに埋め込む既存の手法とは対照的に,各ノードを潜在空間の分布で表現する。 いくつかのベンチマークデータセットにおける既存の最先端手法と比較して,性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2021-12-15T01:45:32Z)
• Robustification of Online Graph Exploration Methods [59.50307752165016]
  我々は、古典的で有名なオンライングラフ探索問題の学習強化版について研究する。 本稿では,予測をよく知られたNearest Neighbor(NN)アルゴリズムに自然に統合するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-12-10T10:02:31Z)
• Biased Edge Dropout for Enhancing Fairness in Graph Representation Learning [14.664485680918725]
  本稿では,グラフ表現学習における公平性向上と相反するバイアスド・エッジ・ドロップアウトアルゴリズム(fairdrop)を提案する。 FairDropは、多くの既存のアルゴリズムに簡単に接続でき、効率的で適応可能で、他の公平性誘導ソリューションと組み合わせることができます。 提案手法は,すべてのモデルのフェアネスを小さく,あるいは無視可能な精度低下まで改善できることを実証する。
  論文  参考訳（メタデータ） (2021-04-29T08:59:36Z)
• Improving Uncertainty Calibration via Prior Augmented Data [56.88185136509654]
  ニューラルネットワークは、普遍関数近似器として機能することで、複雑なデータ分布から学習することに成功した。 彼らはしばしば予測に自信過剰であり、不正確で誤った確率的予測に繋がる。 本稿では,モデルが不当に過信である特徴空間の領域を探索し,それらの予測のエントロピーをラベルの以前の分布に対して条件的に高める手法を提案する。
  論文  参考訳（メタデータ） (2021-02-22T07:02:37Z)
• All of the Fairness for Edge Prediction with Optimal Transport [11.51786288978429]
  グラフにおけるエッジ予測の課題に対する公平性の問題について検討する。 本稿では,任意のグラフの隣接行列に対して,グループと個々の公正性のトレードオフを伴う埋め込み非依存の補修手順を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:33:13Z)
• Accurate and Robust Feature Importance Estimation under Distribution Shifts [49.58991359544005]
  PRoFILEは、新しい特徴重要度推定法である。 忠実さと頑健さの両面で、最先端のアプローチよりも大幅に改善されていることを示す。
  論文  参考訳（メタデータ） (2020-09-30T05:29:01Z)
• Bayesian Deep Learning and a Probabilistic Perspective of Generalization [56.69671152009899]
  ディープアンサンブルはベイズ辺化を近似する有効なメカニズムであることを示す。 また,アトラクションの流域内での辺縁化により,予測分布をさらに改善する関連手法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T15:13:27Z)

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。