論文の概要: Enforcing Consistency and Fairness in Multi-level Hierarchical Classification with a Mask-based Output Layer

• arxiv url: http://arxiv.org/abs/2503.15566v1
• Date: Wed, 19 Mar 2025 06:30:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 19:01:17.987594
• Title: Enforcing Consistency and Fairness in Multi-level Hierarchical Classification with a Mask-based Output Layer
• Title（参考訳）: マスク型出力層を用いた多階層階層分類における一貫性と公平性
• Authors: Shijing Chen, Shoaib Jameel, Mohamed Reda Bouadjenek, Feilong Tang, Usman Naseem, Basem Suleiman, Hakim Hacid, Flora D. Salim, Imran Razzak,
• Abstract要約: 分類を強制し、一貫性、公正性、正確な一致を含む目的を最適化するために設計された公正でモデルに依存しないレイヤを導入します。 評価の結果,提案した層は予測の公平性を向上するだけでなく,分類を強制し,一貫した予測と優れた性能をもたらすことが示された。
• 参考スコア（独自算出の注目度）: 25.819440955594736
• License:
• Abstract: Traditional Multi-level Hierarchical Classification (MLHC) classifiers often rely on backbone models with $n$ independent output layers. This structure tends to overlook the hierarchical relationships between classes, leading to inconsistent predictions that violate the underlying taxonomy. Additionally, once a backbone architecture for an MLHC classifier is selected, adapting the model to accommodate new tasks can be challenging. For example, incorporating fairness to protect sensitive attributes within a hierarchical classifier necessitates complex adjustments to maintain the class hierarchy while enforcing fairness constraints. In this paper, we extend this concept to hierarchical classification by introducing a fair, model-agnostic layer designed to enforce taxonomy and optimize specific objectives, including consistency, fairness, and exact match. Our evaluations demonstrate that the proposed layer not only improves the fairness of predictions but also enforces the taxonomy, resulting in consistent predictions and superior performance. Compared to Large Language Models (LLMs) employing in-processing de-biasing techniques and models without any bias correction, our approach achieves better outcomes in both fairness and accuracy, making it particularly valuable in sectors like e-commerce, healthcare, and education, where predictive reliability is crucial.
• Abstract（参考訳）: 従来のマルチレベル階層分類(MLHC)分類器は、しばしば$n$の独立した出力層を持つバックボーンモデルに依存している。 この構造は階級間の階層的関係を見逃しがちであり、根底にある分類に反する矛盾した予測をもたらす。 さらに、MLHC分類器のバックボーンアーキテクチャが選択されると、新しいタスクに対応するためにモデルを適応させるのは難しい。 例えば、階層型分類器内でセンシティブな属性を保護するためにフェアネスを組み込むことは、フェアネス制約を課しながらクラス階層を維持するために複雑な調整を必要とする。 本稿では,この概念を階層的な分類に拡張し,分類を強制し,一貫性,公平性,正確な一致を含む特定の目的を最適化するために設計された,公平でモデルに依存しないレイヤを導入する。 評価の結果,提案した層は予測の公平性を向上するだけでなく,分類を強制し,一貫した予測と優れた性能をもたらすことが示された。 大規模言語モデル(LLMs)がバイアス補正のない非バイアス処理技術やモデルを取り入れているのに対し、我々のアプローチは公正性と正確性の両方においてより良い結果をもたらし、予測信頼性が不可欠である電子商取引、医療、教育といった分野において特に有用である。

関連論文リスト

• Leveraging Taxonomy and LLMs for Improved Multimodal Hierarchical Classification [19.80724112056431]
  マルチモーダル分類のための分類組込み遷移LLM非依存フレームワークを提案する。 MEP-3Mデータセットを用いた評価では,従来のLCM構造と比較して,大幅な性能向上が見られた。
  論文  参考訳（メタデータ） (2025-01-12T14:43:06Z)
• Balanced Classification: A Unified Framework for Long-Tailed Object Detection [74.94216414011326]
  従来の検出器は、分類バイアスによる長期データを扱う際の性能劣化に悩まされる。 本稿では,カテゴリ分布の格差に起因する不平等の適応的是正を可能にする,BAlanced CLassification (BACL) と呼ばれる統一フレームワークを提案する。 BACLは、さまざまなバックボーンとアーキテクチャを持つさまざまなデータセット間で、一貫してパフォーマンス改善を実現している。
  論文  参考訳（メタデータ） (2023-08-04T09:11:07Z)
• ProTeCt: Prompt Tuning for Taxonomic Open Set Classification [59.59442518849203]
  分類学的オープンセット(TOS)設定では、ほとんどショット適応法はうまくいきません。 本稿では,モデル予測の階層的一貫性を校正する即時チューニング手法を提案する。 次に,階層整合性のための新しいPrompt Tuning(ProTeCt)手法を提案し,ラベル集合の粒度を分類する。
  論文  参考訳（メタデータ） (2023-06-04T02:55:25Z)
• Attention is Not Always What You Need: Towards Efficient Classification of Domain-Specific Text [1.1508304497344637]
  階層構造に整理された数百のクラスを持つ大規模ITコーパスでは、階層構造における上位レベルのクラスの正確な分類が不可欠である。 ビジネスの世界では、高額なブラックボックスモデルよりも効率的で説明可能なMLモデルが好まれる。 PLMが広く使われているにもかかわらず、これらのモデルがドメイン固有のテキスト分類に使われている理由として、明確で明確な必要性が欠如している。
  論文  参考訳（メタデータ） (2023-03-31T03:17:23Z)
• Weakly-supervised Action Localization via Hierarchical Mining [76.00021423700497]
  弱教師付きアクションローカライゼーションは、ビデオレベルの分類ラベルだけで、与えられたビデオ内のアクションインスタンスを時間的にローカライズし、分類することを目的としている。 ビデオレベルおよびスニペットレベルでの階層的マイニング戦略,すなわち階層的監視と階層的一貫性マイニングを提案する。 我々は、HiM-NetがTHUMOS14とActivityNet1.3データセットの既存の手法よりも、階層的に監督と一貫性をマイニングすることで、大きなマージンを持つことを示す。
  論文  参考訳（メタデータ） (2022-06-22T12:19:09Z)
• Prototype Based Classification from Hierarchy to Fairness [7.129830575525267]
  新しいニューラルネットワークアーキテクチャである概念サブスペースネットワーク(CSN)は、既存の特殊分類器を一般化して統一モデルを生成する。 CSNは、概念独立を強制する際、最先端の結果を公平に分類する。 CSNは、解釈可能性を促進する既存のプロトタイプベースの分類器にインスパイアされている。
  論文  参考訳（メタデータ） (2022-05-27T14:21:41Z)
• A Top-down Supervised Learning Approach to Hierarchical Multi-label Classification in Networks [0.21485350418225244]
  本稿では,階層型マルチラベル分類(HMC)に対する一般的な予測モデルを提案する。 クラスごとの局所分類器を構築することで教師あり学習により階層的マルチラベル分類に対処するトップダウン分類アプローチに基づいている。 本モデルでは, イネOryza sativa Japonicaの遺伝子機能の予測について事例研究を行った。
  論文  参考訳（メタデータ） (2022-03-23T17:29:17Z)
• Learning What Not to Segment: A New Perspective on Few-Shot Segmentation [63.910211095033596]
  近年では、FSS ( few-shot segmentation) が広く開発されている。 本稿では,問題を緩和するための新鮮で直接的な知見を提案する。 提案されたアプローチのユニークな性質を踏まえて、より現実的で挑戦的な設定にまで拡張する。
  論文  参考訳（メタデータ） (2022-03-15T03:08:27Z)
• Fair Tree Learning [0.15229257192293202]
  様々な最適化基準は、分類性能と公正度を組み合わせている。 現在の公正決定木法は、分類タスクと公正度測定の両方において、一定の閾値を最適化するのみである。 そこで本研究では,一様人口分布パリティと呼ばれるしきい値非依存の公平度尺度と,SCAFF – Splitting Criterion AUC for Fairnessと題する分割基準を提案する。
  論文  参考訳（メタデータ） (2021-10-18T13:40:25Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• Coherent Hierarchical Multi-Label Classification Networks [56.41950277906307]
  C-HMCNN(h)はHMC問題に対する新しいアプローチであり、階層情報を利用して制約に整合した予測を生成し、性能を向上させる。 最先端モデルと比較してC-HMCNN(h)の優れた性能を示す広範囲な実験的検討を行った。
  論文  参考訳（メタデータ） (2020-10-20T09:37:02Z)

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。