論文の概要: Fair Text Classification via Transferable Representations

• arxiv url: http://arxiv.org/abs/2503.07691v1
• Date: Mon, 10 Mar 2025 16:52:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-12 15:45:47.519371
• Title: Fair Text Classification via Transferable Representations
• Title（参考訳）: 伝達可能な表現による公平なテキスト分類
• Authors: Thibaud Leteno, Michael Perrot, Charlotte Laclau, Antoine Gourru, Christophe Gravier,
• Abstract要約: グループフェアネスはテキスト分類における中心的な研究テーマであり、センシティブなグループ間で公平な扱いを受けることはオープンな課題である。 本稿では、未バイアスのニューラルテキスト分類器を学習するためのWasserstein Dependency Measureの使用を拡大するアプローチを提案する。 ドメイン適応(Domain Adaptation)は、処理するデータセットのセンシティブな属性にアクセスする必要をなくすために、効率的に活用できることを示します。
• 参考スコア（独自算出の注目度）: 4.555471356313677
• License:
• Abstract: Group fairness is a central research topic in text classification, where reaching fair treatment between sensitive groups (e.g., women and men) remains an open challenge. We propose an approach that extends the use of the Wasserstein Dependency Measure for learning unbiased neural text classifiers. Given the challenge of distinguishing fair from unfair information in a text encoder, we draw inspiration from adversarial training by inducing independence between representations learned for the target label and those for a sensitive attribute. We further show that Domain Adaptation can be efficiently leveraged to remove the need for access to the sensitive attributes in the dataset we cure. We provide both theoretical and empirical evidence that our approach is well-founded.
• Abstract（参考訳）: グループフェアネスはテキスト分類における中心的な研究テーマであり、センシティブなグループ(例えば、女性と男性)の間で公平な扱いを受けることは、オープンな課題である。 本稿では、未バイアスのニューラルテキスト分類器を学習するためのWasserstein Dependency Measureの使用を拡大するアプローチを提案する。 テキストエンコーダにおける公平な情報と不公平な情報を区別することの難しさを考慮し、ターゲットラベルとセンシティブな属性で学習した表現の独立性を誘導することにより、敵の訓練からインスピレーションを得る。 さらに、修正したデータセットのセンシティブな属性へのアクセスの必要性を取り除くために、ドメイン適応を効率的に活用できることを示します。 我々は、我々のアプローチが十分に確立されているという理論的および実証的な証拠を提供する。

関連論文リスト

• Provable Optimization for Adversarial Fair Self-supervised Contrastive Learning [49.417414031031264]
  本稿では,自己教師型学習環境におけるフェアエンコーダの学習について検討する。 すべてのデータはラベル付けされておらず、そのごく一部だけが機密属性で注釈付けされている。
  論文  参考訳（メタデータ） (2024-06-09T08:11:12Z)
• From Discrete to Continuous: Deep Fair Clustering With Transferable Representations [6.366934969620947]
  離散的かつ連続的な属性を同時に処理できるフレキシブルなディープ・フェア・クラスタリング法を提案する。 具体的には、公平でクラスタリングに優しい表現を学習するために、情報ボトルネックスタイルの客観的関数を設計する。 既存の作業とは異なり、転送されたタスクの公平性を保証するために、表現レベルに公平性を課す。
  論文  参考訳（メタデータ） (2024-03-24T15:48:29Z)
• LLM-Assisted Content Conditional Debiasing for Fair Text Embedding [37.92120550031469]
  本稿では,公正なテキスト埋め込みを学習するための新しい手法を提案する。 テキスト埋め込みのための新しい内容条件等距離(CCED)フェアネスを定義する。 また,異なる感度属性を持つテキストの埋め込みが,対応する中性テキストの埋め込みから同じ距離を保っていることを保証するために,コンテンツ条件脱バイアス(CCD)の損失も導入する。
  論文  参考訳（メタデータ） (2024-02-22T01:20:51Z)
• Fair Text Classification with Wasserstein Independence [4.887319013701134]
  グループフェアネスはテキスト分類における中心的な研究テーマであり、センシティブなグループ間で公平な扱いを受けることはオープンな課題である。 本稿では,モデルアーキテクチャに非依存なニューラルテキスト分類におけるバイアス軽減手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T15:51:06Z)
• Conditional Supervised Contrastive Learning for Fair Text Classification [59.813422435604025]
  対照的な学習を通してテキスト分類のための等化オッズとして知られる公平性の概念を満たす学習公正表現について研究する。 具体的には、まず、公正性制約のある学習表現と条件付き教師付きコントラスト目的との間の関係を理論的に分析する。
  論文  参考訳（メタデータ） (2022-05-23T17:38:30Z)
• Adversarial Stacked Auto-Encoders for Fair Representation Learning [1.061960673667643]
  そこで本稿では,データ表現のさまざまなレベルを活用して,学習した表現の公平性境界を厳格化するための,新しい公正表現学習手法を提案する。 その結果、異なる自動エンコーダを積み重ね、異なる潜在空間でフェアネスを強制すると、他の既存手法と比較してフェアネスが向上することがわかった。
  論文  参考訳（メタデータ） (2021-07-27T13:49:18Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• Weakly-Supervised Aspect-Based Sentiment Analysis via Joint Aspect-Sentiment Topic Embedding [71.2260967797055]
  アスペクトベース感情分析のための弱教師付きアプローチを提案する。 We learn sentiment, aspects> joint topic embeddeds in the word embedding space。 次に、ニューラルネットワークを用いて単語レベルの識別情報を一般化する。
  論文  参考訳（メタデータ） (2020-10-13T21:33:24Z)
• Fairness by Learning Orthogonal Disentangled Representations [50.82638766862974]
  不変表現問題に対する新しい非絡み合い手法を提案する。 エントロピーによりセンシティブな情報に依存しない有意義な表現を強制する。 提案手法は5つの公開データセットで評価される。
  論文  参考訳（メタデータ） (2020-03-12T11:09:15Z)
• Improving Domain-Adapted Sentiment Classification by Deep Adversarial Mutual Learning [51.742040588834996]
  ドメイン適応型感情分類(ドメイン適応型感情分類、Domain-adapted sentiment classification)は、ラベル付きソースドメインでトレーニングを行い、ラベルなしターゲットドメイン上で文書レベルの感情を適切に推測する。 本稿では,2つの特徴抽出器群,ドメイン識別器群,感情分類器群,ラベル探索器群を包含する新たな相互学習手法を提案する。
  論文  参考訳（メタデータ） (2020-02-01T01:22:44Z)

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。