Fugu-MT 論文翻訳(概要): When Can Memorization Improve Fairness?

論文の概要: When Can Memorization Improve Fairness?

arxiv url: http://arxiv.org/abs/2412.09254v1
Date: Thu, 12 Dec 2024 13:11:02 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-13 13:34:33.624578
Title: When Can Memorization Improve Fairness?
Title（参考訳）: 記憶はいつ公平になるのか?
Authors: Bob Pepin, Christian Igel, Raghavendra Selvan,
Abstract要約: 集団のサブセットを記憶することで,多クラス分類問題において,付加的公平度指標がどの程度影響するかを検討する。我々は、記憶されたデータセットのラベルとグループメンバーシップの分布の観点から、記憶から生じるバイアスを明示的に表現する。検討した3つの指標のバイアスを排除した記憶データセットの特徴付けを行う。
参考スコア（独自算出の注目度）: 7.178157652947453
License:
Abstract: We study to which extent additive fairness metrics (statistical parity, equal opportunity and equalized odds) can be influenced in a multi-class classification problem by memorizing a subset of the population. We give explicit expressions for the bias resulting from memorization in terms of the label and group membership distribution of the memorized dataset and the classifier bias on the unmemorized dataset. We also characterize the memorized datasets that eliminate the bias for all three metrics considered. Finally we provide upper and lower bounds on the total probability mass in the memorized dataset that is necessary for the complete elimination of these biases.
Abstract（参考訳）: 人口のサブセットを記憶することで,多クラス分類問題において,付加的公正度(統計パリティ,平等機会,等化オッズ)がどの程度影響するかを検討する。記憶されたデータセットのラベルとグループメンバーシップの分布、および記憶されていないデータセットの分類器バイアスから生じるバイアスを明示的に表現する。また、考慮された3つの指標のバイアスを取り除くための記憶されたデータセットを特徴付けます。最後に、これらのバイアスの完全な除去に必要な記憶されたデータセットの総確率質量の上限と下限を提供する。

関連論文リスト

Memory Consistency Guided Divide-and-Conquer Learning for Generalized Category Discovery [56.172872410834664]
一般カテゴリー発見(GCD)は、半教師付き学習のより現実的で挑戦的な設定に対処することを目的としている。メモリ一貫性を誘導する分枝・分枝学習フレームワーク(MCDL)を提案する。本手法は,画像認識の目に見えるクラスと見えないクラスの両方において,最先端のモデルよりも優れた性能を示す。
論文参考訳（メタデータ） (2024-01-24T09:39:45Z)
Common-Sense Bias Modeling for Classification Tasks [15.683471433842492]
テキスト記述に基づく画像データセットの包括的バイアスを抽出する新しい枠組みを提案する。提案手法は,複数の画像ベンチマークデータセットにおける新しいモデルバイアスを明らかにする。発見されたバイアスは、機能の非相関化のために、単純なデータ再重み付けによって緩和することができる。
論文参考訳（メタデータ） (2024-01-24T03:56:07Z)
Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
論文参考訳（メタデータ） (2023-06-19T18:25:44Z)
Deep Learning on a Healthy Data Diet: Finding Important Examples for Fairness [15.210232622716129]
データ駆動予測ソリューションは、主に商用アプリケーションで使われているが、バイアスやステレオタイプに悩まされる傾向がある。データ拡張は、トレーニングデータセットに反実例を追加することで、性別バイアスを低減する。拡張データセットのいくつかの例は、公平性には重要でも有害でもないことを示します。
論文参考訳（メタデータ） (2022-11-20T22:42:30Z)
Learning from Multiple Unlabeled Datasets with Partial Risk Regularization [80.54710259664698]
本稿では,クラスラベルを使わずに正確な分類器を学習することを目的とする。まず、与えられたラベルのない集合から推定できる分類リスクの偏りのない推定器を導出する。その結果、経験的リスクがトレーニング中に負になるにつれて、分類器が過度に適合する傾向があることが判明した。実験により,本手法は,複数の未ラベル集合から学習する最先端の手法を効果的に緩和し,性能を向上することを示した。
論文参考訳（メタデータ） (2022-07-04T16:22:44Z)
Learning Debiased Classifier with Biased Committee [30.417623580157834]
ニューラルネットワークは、トレーニングデータの大部分で示されるクラスと潜在属性の急激な相関に偏りがちである。そこで本研究では,突発性属性ラベルを持たない脱バイアス分類器を訓練するための新しい手法を提案する。実世界の5つのデータセットにおいて、我々の手法は、私たちのような刺激的な属性ラベルを使わずに先行技術より優れており、時にはバイアスラベルに依存するものよりも優れています。
論文参考訳（メタデータ） (2022-06-22T04:50:28Z)
Fair Group-Shared Representations with Normalizing Flows [68.29997072804537]
本研究では,異なるグループに属する個人を1つのグループにマッピングできる公正表現学習アルゴリズムを開発した。提案手法は,他の公正表現学習アルゴリズムと競合することを示す。
論文参考訳（メタデータ） (2022-01-17T10:49:49Z)
Disentangling Sampling and Labeling Bias for Learning in Large-Output Spaces [64.23172847182109]
異なる負のサンプリングスキームが支配的ラベルと稀なラベルで暗黙的にトレードオフパフォーマンスを示す。すべてのラベルのサブセットで作業することで生じるサンプリングバイアスと、ラベルの不均衡に起因するデータ固有のラベルバイアスの両方に明示的に対処する統一された手段を提供する。
論文参考訳（メタデータ） (2021-05-12T15:40:13Z)
Out-distribution aware Self-training in an Open World Setting [62.19882458285749]
オープンワールド環境ではラベルのないデータを活用して予測性能をさらに向上します。注意深いサンプル選択戦略を含む,自己学習を意識したアウト・ディストリビューションを導入する。当社の分類器は、設計外分布を意識しており、タスク関連の入力と無関係な入力を区別できます。
論文参考訳（メタデータ） (2020-12-21T12:25:04Z)
Sequential Targeting: an incremental learning approach for data imbalance in text classification [7.455546102930911]
不均衡なデータセットを扱う方法は、分散スキューを軽減するために不可欠である。本稿では,提案手法の有効性によらず,新たなトレーニング手法であるシーケンスターゲティング(ST)を提案する。シミュレーションベンチマークデータセット(IMDB)とNAVERから収集したデータを用いて,本手法の有効性を示す。
論文参考訳（メタデータ） (2020-11-20T04:54:00Z)

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。