論文の概要: Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation

• arxiv url: http://arxiv.org/abs/2503.15622v1
• Date: Wed, 19 Mar 2025 18:10:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-21 16:35:27.354340
• Title: Contextual Fairness-Aware Practices in ML: A Cost-Effective Empirical Evaluation
• Title（参考訳）: MLにおける文脈フェアネスの実践--コスト効果の実証的評価
• Authors: Alessandra Parziale, Gianmario Voria, Giammaria Giordano, Gemma Catolino, Gregorio Robles, Fabio Palomba,
• Abstract要約: フェアネス・アウェアの実践を文脈的・費用対効果という2つの観点から検討する。 本研究は,文脈が公正な実践の有効性にどのように影響するかを考察する。 本研究の目的は,SE実践者に対して,最小パフォーマンスコストで公正性を実現するプラクティスの選択を指導することである。
• 参考スコア（独自算出の注目度）: 48.943054662940916
• License:
• Abstract: As machine learning (ML) systems become central to critical decision-making, concerns over fairness and potential biases have increased. To address this, the software engineering (SE) field has introduced bias mitigation techniques aimed at enhancing fairness in ML models at various stages. Additionally, recent research suggests that standard ML engineering practices can also improve fairness; these practices, known as fairness-aware practices, have been cataloged across each stage of the ML development life cycle. However, fairness remains context-dependent, with different domains requiring customized solutions. Furthermore, existing specific bias mitigation methods may sometimes degrade model performance, raising ongoing discussions about the trade-offs involved. In this paper, we empirically investigate fairness-aware practices from two perspectives: contextual and cost-effectiveness. The contextual evaluation explores how these practices perform in various application domains, identifying areas where specific fairness adjustments are particularly effective. The cost-effectiveness evaluation considers the trade-off between fairness improvements and potential performance costs. Our findings provide insights into how context influences the effectiveness of fairness-aware practices. This research aims to guide SE practitioners in selecting practices that achieve fairness with minimal performance costs, supporting the development of ethical ML systems.
• Abstract（参考訳）: 機械学習(ML)システムが重要な意思決定の中心となるにつれ、公正性や潜在的なバイアスに対する懸念が高まっている。 これを解決するために、ソフトウェア工学(SE)分野は、様々な段階におけるMLモデルの公正性を高めることを目的としたバイアス緩和技術を導入している。 さらに、最近の研究では、標準のMLエンジニアリングプラクティスは公正性を改善することができることを示唆している。 しかし、フェアネスはコンテキスト依存であり、異なるドメインはカスタマイズされたソリューションを必要とする。 さらに、既存の特定のバイアス緩和手法は、しばしばモデルの性能を低下させ、関連するトレードオフに関する議論が進行中である。 本稿では、文脈的・費用対効果の両面から公正意識の実践を実証的に検討する。 文脈的評価は、これらのプラクティスが様々なアプリケーション領域でどのように機能するかを探求し、特定の公平性調整が特に有効である領域を特定する。 コスト効率評価は、公正性の改善と潜在的なパフォーマンスコストの間のトレードオフを考慮する。 本研究は,文脈が公正な実践の有効性にどのように影響するかを考察する。 本研究は,SE実践者に対して,最小パフォーマンスコストで公正性を実現するための実践を指導し,倫理的MLシステムの開発を支援することを目的とする。

関連論文リスト

• Data Preparation for Fairness-Performance Trade-Offs: A Practitioner-Friendly Alternative? [11.172805305320592]
  トレーニング前のバイアスを軽減する前処理技術は効果的だが、モデルの性能に影響を与え、統合が困難になる可能性がある。 本報告では,MLライフサイクルの初期段階において,最適に選択されたフェアネス・アウェアの実践が,フェアネスとパフォーマンスの両面でいかに向上するかを実証的に評価する。 FATEを用いてフェアネスとパフォーマンスのトレードオフを分析し、FATEが選択したパイプラインと、前処理のバイアス緩和技術による結果を比較する。
  論文  参考訳（メタデータ） (2024-12-20T14:12:39Z)
• Analyzing Fairness of Computer Vision and Natural Language Processing Models [1.0923877073891446]
  機械学習(ML)アルゴリズムは、医療、金融、教育、法執行など、さまざまな分野における意思決定において重要な役割を果たす。 広く採用されているにもかかわらず、これらのシステムは潜在的なバイアスや公平性の問題のために倫理的・社会的懸念を提起する。 本研究では,非構造化データセットに適用したコンピュータビジョンと自然言語処理(NLP)モデルの公平性の評価と改善に焦点を当てた。
  論文  参考訳（メタデータ） (2024-12-13T06:35:55Z)
• Analyzing Fairness of Classification Machine Learning Model with Structured Dataset [1.0923877073891446]
  本研究では,分類タスクにおける構造化データセットに適用された機械学習モデルの公平性について検討する。 3つのフェアネスライブラリ、MicrosoftのFairlearn、IBMのAIF360、GoogleのWhat If Toolが採用されている。 この研究は、MLモデルのバイアスの程度を評価し、これらのライブラリの有効性を比較し、実践者に対して実行可能な洞察を導出することを目的としている。
  論文  参考訳（メタデータ） (2024-12-13T06:31:09Z)
• Justice or Prejudice? Quantifying Biases in LLM-as-a-Judge [84.34545223897578]
  多くの領域で優れているにもかかわらず、潜在的な問題は未解決のままであり、その信頼性と実用性の範囲を損なう。 提案手法は, LLM-as-a-Judgeにおける各種類のバイアスを定量化し, 解析する自動バイアス定量化フレームワークである。 当社の作業は、これらの問題に対処するステークホルダの必要性を強調し、LLM-as-a-Judgeアプリケーションで注意を喚起します。
  論文  参考訳（メタデータ） (2024-10-03T17:53:30Z)
• Achieving Fairness in Predictive Process Analytics via Adversarial Learning [50.31323204077591]
  本稿では、デバイアスフェーズを予測ビジネスプロセス分析に組み込むことの課題に対処する。 本研究の枠組みは, 4つのケーススタディで検証し, 予測値に対する偏り変数の寄与を著しく低減することを示した。
  論文  参考訳（メタデータ） (2024-10-03T15:56:03Z)
• Ensuring Equitable Financial Decisions: Leveraging Counterfactual Fairness and Deep Learning for Bias [0.0]
  本研究では,データ拡張に伴う対実的公正性に着目した高度なバイアス緩和手法について検討する。 この研究は、これらの統合アプローチが金融業界、特にローン承認手続きにおけるジェンダーバイアスを緩和する方法について考察している。
  論文  参考訳（メタデータ） (2024-08-27T14:28:06Z)
• A Benchmark for Fairness-Aware Graph Learning [58.515305543487386]
  本稿では,10の代表的な公正性を考慮したグラフ学習手法に関する広範なベンチマークを示す。 我々の詳細な分析は、既存の手法の強みと限界に関する重要な洞察を明らかにしている。
  論文  参考訳（メタデータ） (2024-07-16T18:43:43Z)
• Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
  多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。 本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。 そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-08-28T06:31:37Z)
• FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
  本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。 グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
  論文  参考訳（メタデータ） (2023-06-15T19:51:28Z)
• Causality-Aided Trade-off Analysis for Machine Learning Fairness [11.149507394656709]
  本稿では,機械学習パイプラインにおける公平度パラメータと他の重要な指標とのトレードオフを解析するための原理的手法として因果解析を用いる。 本稿では、正確な因果発見を容易にするためのドメイン固有最適化と、確立された因果推論手法に基づくトレードオフ解析のための統一されたインターフェースを提案する。
  論文  参考訳（メタデータ） (2023-05-22T14:14:43Z)

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。