論文の概要: Who's the (Multi-)Fairest of Them \textsc{All}: Rethinking Interpolation-Based Data Augmentation Through the Lens of Multicalibration

• arxiv url: http://arxiv.org/abs/2412.10575v1
• Date: Fri, 13 Dec 2024 21:36:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-17 14:02:52.619173
• Title: Who's the (Multi-)Fairest of Them \textsc{All}: Rethinking Interpolation-Based Data Augmentation Through the Lens of Multicalibration
• Title（参考訳）: Multi-)Fairest of Them \textsc{All}: Rethinking Interpolation-based Data Augmentation through the Lens of Multicalibration
• Authors: Karina Halevy, Karly Hou, Charumathi Badrinath,
• Abstract要約: また,Fair Mixupの4つのバージョンを,最大81個の辺縁化グループを持つ2つの構造化データ分類問題に対してストレス試験を行った。 ほぼすべての実験において、Fair Mixupはベースラインのパフォーマンスとフェアネスを基準にしていますが、単純なバニラMixupはFair Mixupとベースラインの両方をパフォーマンスします。
• 参考スコア（独自算出の注目度）: 1.0923877073891446
• License:
• Abstract: Data augmentation methods, especially SoTA interpolation-based methods such as Fair Mixup, have been widely shown to increase model fairness. However, this fairness is evaluated on metrics that do not capture model uncertainty and on datasets with only one, relatively large, minority group. As a remedy, multicalibration has been introduced to measure fairness while accommodating uncertainty and accounting for multiple minority groups. However, existing methods of improving multicalibration involve reducing initial training data to create a holdout set for post-processing, which is not ideal when minority training data is already sparse. This paper uses multicalibration to more rigorously examine data augmentation for classification fairness. We stress-test four versions of Fair Mixup on two structured data classification problems with up to 81 marginalized groups, evaluating multicalibration violations and balanced accuracy. We find that on nearly every experiment, Fair Mixup \textit{worsens} baseline performance and fairness, but the simple vanilla Mixup \textit{outperforms} both Fair Mixup and the baseline, especially when calibrating on small groups. \textit{Combining} vanilla Mixup with multicalibration post-processing, which enforces multicalibration through post-processing on a holdout set, further increases fairness.
• Abstract（参考訳）: データ拡張法、特にFair MixupのようなSoTA補間法は、モデルフェアネスを高めることが広く示されている。 しかし、この公平性は、モデルの不確実性を捉えないメトリクスと、比較的大きな少数群のみを持つデータセットで評価される。 治療として、不確実性を調節し、複数の少数派の説明をしながら、公平さを測定するために多重校正が導入されている。 しかし、既存のマルチキャリブレーション改善手法では、初期トレーニングデータを減らして後処理のためのホールドアウトセットを作成する必要があるが、これはマイノリティトレーニングデータが既に不足している場合に理想的ではない。 本稿では、マルチキャリブレーションを用いて、分類フェアネスのためのデータ拡張をより厳密に検討する。 本研究は,Fair Mixupの4つのバージョンを,最大81個の辺付きグループを持つ2つの構造化データ分類問題に対してストレステストし,多重校正違反と平衡精度を評価した。 ほぼすべての実験において、Fair Mixup \textit{worsens} のベースライン性能とフェアネスは、Fair Mixup とベースラインの両方の単純なvanilla Mixup \textit{outperforms {\displaystyle \textit{outperforms} である。 マルチキャリブレーション後処理を備えたバニラミックスアップは、ホールドアウトセットでのポストプロセッシングによるマルチキャリブレーションを強制し、さらに公平性を高める。

関連論文リスト

• Mix from Failure: Confusion-Pairing Mixup for Long-Tailed Recognition [14.009773753739282]
  ロングテール画像認識は、人工的な制服ではなく、現実世界のクラス分布を考慮した問題である。 本稿では,マイノリティクラスにおけるサンプルの多様性を高めるために,トレーニングデータセットの強化という,異なる観点からの問題に取り組む。 本手法,すなわち Confusion-Pairing Mixup (CP-Mix) は,モデルの混乱分布を推定し,データ不足問題に対処する。
  論文  参考訳（メタデータ） (2024-11-12T08:08:31Z)
• Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
  不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。 マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。 提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
  論文  参考訳（メタデータ） (2023-08-28T18:48:34Z)
• Generative Oversampling for Imbalanced Data via Majority-Guided VAE [15.93867386081279]
  本稿では,多数派の指導のもと,新たなマイノリティサンプルを生成する,Majority-Guided VAE(MGVAE)と呼ばれる新しいオーバーサンプリングモデルを提案する。 このようにして、新しく生成されたマイノリティサンプルは、大多数のサンプルの多様性と豊かさを継承することができ、下流タスクにおける過度な適合を軽減できる。
  論文  参考訳（メタデータ） (2023-02-14T06:35:23Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• C-Mixup: Improving Generalization in Regression [71.10418219781575]
  混合アルゴリズムは、一対の例とその対応するラベルを線形補間することによって一般化を改善する。 ラベルの類似度に基づいてサンプリング確率を調整するC-Mixupを提案する。 C-Mixupは6.56%、4.76%、5.82%の改善、タスクの一般化、アウト・オブ・ディストリビューションの堅牢性を実現している。
  論文  参考訳（メタデータ） (2022-10-11T20:39:38Z)
• DoubleMix: Simple Interpolation-Based Data Augmentation for Text Classification [56.817386699291305]
  本稿では,DoubleMixと呼ばれる単純なデータ拡張手法を提案する。 DoubleMixはまず、トレーニングデータごとにいくつかの摂動サンプルを生成する。 次に、摂動データと元のデータを使って、隠れたニューラルネットワークの空間で2段階のステップを実行する。
  論文  参考訳（メタデータ） (2022-09-12T15:01:04Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Harnessing Hard Mixed Samples with Decoupled Regularizer [69.98746081734441]
  Mixupは、決定境界を混合データで滑らかにすることで、ニューラルネットワークの一般化を改善する効率的なデータ拡張アプローチである。 本稿では,非結合型正規化器(Decoupled Mixup, DM)を用いた効率的な混合目標関数を提案する。 DMは、ミキシングの本来の滑らかさを損なうことなく、硬質混合試料を適応的に利用して識別特性をマイニングすることができる。
  論文  参考訳（メタデータ） (2022-03-21T07:12:18Z)
• Towards Calibrated Model for Long-Tailed Visual Recognition from Prior Perspective [17.733087434470907]
  実世界のデータは、深刻な階級不均衡問題に直面し、長い尾の分布を示す。 本稿では,このジレンマを緩和する2つの新しい手法を提案する。 まず、UniMix(UniMix)と呼ばれるバランス指向データ拡張を推定し、長期のシナリオでミキサアップを促進する。 第二に、ベイズ理論に動機づけられたベイズバイアス(ベイアズ)は、標準的なクロスエントロピー損失の修正としてそれを補償する。
  論文  参考訳（メタデータ） (2021-11-06T12:53:34Z)
• Fair Mixup: Fairness via Interpolation [28.508444261249423]
  公平性制約を課すための新しいデータ拡張戦略であるfair mixupを提案する。 対象群間の補間標本の経路のモデルに正則化することで公平性が達成できることを示す。 ベンチマークにおける精度と公正度の測定の両面において,より優れた一般化を実現することを実証的に示す。
  論文  参考訳（メタデータ） (2021-03-11T06:57:26Z)

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。