論文の概要: Bridging Fairness Gaps: A (Conditional) Distance Covariance Perspective in Fairness Learning

• arxiv url: http://arxiv.org/abs/2412.00720v1
• Date: Sun, 01 Dec 2024 08:01:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-04 15:51:50.552731
• Title: Bridging Fairness Gaps: A (Conditional) Distance Covariance Perspective in Fairness Learning
• Title（参考訳）: ブリッジフェアネスギャップ:フェアネス学習における(連続的な)距離共分散視点
• Authors: Ruifan Huang, Haixia Liu,
• Abstract要約: 距離共分散統計を選択的に利用することにより、統計的観点から公平性ギャップを橋渡しする。 我々は、機械学習プロセスにサンプル(条件付き)距離共分散を管理可能なペナルティ項として組み込むことにより、公平性を高める。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We bridge fairness gaps from a statistical perspective by selectively utilizing either conditional distance covariance or distance covariance statistics as measures to assess the independence between predictions and sensitive attributes. We enhance fairness by incorporating sample (conditional) distance covariance as a manageable penalty term into the machine learning process. Additionally, we present the matrix form of empirical (conditional) distance covariance for parallel calculations to enhance computational efficiency. Theoretically, we provide a proof for the convergence between empirical and population (conditional) distance covariance, establishing necessary guarantees for batch computations. Through experiments conducted on a range of real-world datasets, we have demonstrated that our method effectively bridges the fairness gap in machine learning.
• Abstract（参考訳）: 我々は,予測と感度属性の独立性を評価する尺度として,条件付き距離共分散統計あるいは距離共分散統計を選択的に利用することにより,統計的観点から公平性ギャップを橋渡しする。 我々は、機械学習プロセスにサンプル(条件付き)距離共分散を管理可能なペナルティ項として組み込むことにより、公平性を高める。 さらに,並列計算における実験的(条件付き)距離共分散の行列形式を提案し,計算効率を向上する。 理論的には、経験的および集団間(条件付き)距離の共分散の収束を証明し、バッチ計算に必要な保証を確立する。 実世界のデータセットを用いて実施した実験により,機械学習における公平性ギャップを効果的に橋渡しできることが実証された。

関連論文リスト

• Targeted Learning for Data Fairness [52.59573714151884]
  データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。 我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。 提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
  論文  参考訳（メタデータ） (2025-02-06T18:51:28Z)
• Statistical Inference for Temporal Difference Learning with Linear Function Approximation [62.69448336714418]
  The consistency properties of TD learning with Polyak-Ruppert averaging and linear function approximation。 まず、分散に明示的に依存し、弱い条件下で保持する新しい高次元確率収束保証を導出する。 さらに、文献よりも高速な速度を保証する凸集合のクラスに対して、洗練された高次元ベリー-エッセイン境界を確立する。
  論文  参考訳（メタデータ） (2024-10-21T15:34:44Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• Discriminative Estimation of Total Variation Distance: A Fidelity Auditor for Generative Data [10.678533056953784]
  本稿では,2つの分布間の総変動(TV)距離を推定する判別手法を提案する。 本手法は,2つの分布の分類におけるベイズリスクとテレビの距離の関係を定量的に評価する。 分類において、特定の仮説クラスを選択することで、テレビの距離を推定する際の高速収束率が達成できることを実証する。
  論文  参考訳（メタデータ） (2024-05-24T08:18:09Z)
• A Uniform Concentration Inequality for Kernel-Based Two-Sample Statistics [4.757470449749877]
  これらの指標はカーネルベースの2サンプル統計学の一般的な枠組みの下で統一可能であることを示す。 本稿では、上記のカーネルベースの統計量に対して、新しい一様濃度不等式を確立する。 図示的応用として,これらの境界が距離共分散に基づく次元減少などの手順における誤差境界の構成をどのように促進するかを示す。
  論文  参考訳（メタデータ） (2024-05-22T22:41:56Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Distributed Markov Chain Monte Carlo Sampling based on the Alternating Direction Method of Multipliers [143.6249073384419]
  本論文では,乗算器の交互方向法に基づく分散サンプリング手法を提案する。 我々は,アルゴリズムの収束に関する理論的保証と,その最先端性に関する実験的証拠の両方を提供する。 シミュレーションでは,線形回帰タスクとロジスティック回帰タスクにアルゴリズムを配置し,その高速収束を既存の勾配法と比較した。
  論文  参考訳（メタデータ） (2024-01-29T02:08:40Z)
• Communication-Efficient Distributed Estimation and Inference for Cox's Model [4.731404257629232]
  我々は, 高次元のスパースコックス比例ハザードモデルにおいて, 推定と推定のための通信効率のよい反復分散アルゴリズムを開発した。 高次元ハザード回帰係数の線形結合に対する信頼区間を構築するために,新しい縮退法を提案する。 我々は、デコラートスコアテストに基づく任意の座標要素に対して、有効かつ強力な分散仮説テストを提供する。
  論文  参考訳（メタデータ） (2023-02-23T15:50:17Z)
• Contrastive Mixture of Posteriors for Counterfactual Inference, Data Integration and Fairness [0.8528401618469597]
  バッチ効果の補正、データ統合、反ファクト推論といった課題に対処できるデータの意味的な表現を学ぶ。 条件付きVAEフレームワークを採用することで、条件変数から極端に独立した表現を学ぶという、これらの課題を統一する数学的原理を特定できる。 本稿では,この独立を強制するために,新しい調整ミスペナルティを用いたContrastive Mixture of Posteriors (CoMP)法を提案する。
  論文  参考訳（メタデータ） (2021-06-15T14:04:55Z)
• 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)

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。