論文の概要: Explainable post-training bias mitigation with distribution-based fairness metrics
- arxiv url: http://arxiv.org/abs/2504.01223v1
- Date: Tue, 01 Apr 2025 22:22:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-03 13:18:28.206748
- Title: Explainable post-training bias mitigation with distribution-based fairness metrics
- Title（参考訳）: 分布に基づく公平度測定による学習後バイアス緩和の解説
- Authors: Ryan Franks, Alexey Miroshnikov,
- Abstract要約: 人口統計学的に盲目で説明可能なモデルを生成するために,分布に基づく公平性制約を用いた新しい最適化フレームワークを開発した。
我々のフレームワークは勾配勾配に基づいており、広範囲のモデルタイプに適用できる。
我々は、これまでの研究に基づいて、我々の手法と互換性のある、解釈可能なグローバルバイアスメトリクスの幅広いクラスを設計する。
- 参考スコア（独自算出の注目度）: 0.0
- License:
- Abstract: We develop a novel optimization framework with distribution-based fairness constraints for efficiently producing demographically blind, explainable models across a wide range of fairness levels. This is accomplished through post-processing, avoiding the need for retraining. Our framework, which is based on stochastic gradient descent, can be applied to a wide range of model types, with a particular emphasis on the post-processing of gradient-boosted decision trees. Additionally, we design a broad class of interpretable global bias metrics compatible with our method by building on previous work. We empirically test our methodology on a variety of datasets and compare it to other methods.
- Abstract（参考訳）: 本研究では,分布に基づく公平性制約を用いた新しい最適化フレームワークを開発し,人口統計学的に盲目で説明可能なモデルを多種多様な公平性レベルにわたって効率的に生成する。
これは後処理によって実現され、再トレーニングが不要になる。
我々のフレームワークは確率的勾配勾配に基づいており、多種多様なモデルタイプに適用でき、特に勾配型決定木の後処理に重点を置いている。
さらに,本手法と互換性のある多種多様なグローバルバイアス指標を,先行研究に基づいて設計する。
我々は、様々なデータセット上で方法論を実証的にテストし、他の手法と比較する。
関連論文リスト
- A Semidefinite Relaxation Approach for Fair Graph Clustering [1.03590082373586]
本研究では、異なる影響原理の枠組みの中で、公正なグラフクラスタリングを導入する。
我々は、基礎となる最適化問題を近似するために半定緩和法を用いる。
論文 参考訳（メタデータ） (2024-10-19T22:51:24Z) - A Diffusion Model Framework for Unsupervised Neural Combinatorial Optimization [7.378582040635655]
現在のディープラーニングアプローチは、正確なサンプル確率を生み出す生成モデルに依存している。
この研究は、この制限を解除し、高度に表現力のある潜在変数モデルを採用する可能性を開放する手法を導入する。
我々は,データフリーなコンビネーション最適化におけるアプローチを実験的に検証し,幅広いベンチマーク問題に対して新しい最先端の手法を実現することを実証した。
論文 参考訳（メタデータ） (2024-06-03T17:55:02Z) - GRAWA: Gradient-based Weighted Averaging for Distributed Training of
Deep Learning Models [9.377424534371727]
時間制約環境における深層モデルの分散トレーニングについて検討する。
本稿では,労働者の平均値として計算された中心変数に対して,労働者を定期的に引き出すアルゴリズムを提案する。
論文 参考訳（メタデータ） (2024-03-07T04:22:34Z) - Ensemble Modeling for Multimodal Visual Action Recognition [50.38638300332429]
マルチモーダル動作認識のためのアンサンブルモデリング手法を提案する。
我々は,MECCANO[21]データセットの長期分布を処理するために,焦点損失の変種を用いて,個別のモダリティモデルを個別に訓練する。
論文 参考訳（メタデータ） (2023-08-10T08:43:20Z) - Consistency Regularization for Generalizable Source-free Domain
Adaptation [62.654883736925456]
ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。
既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。
より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
論文 参考訳（メタデータ） (2023-08-03T07:45:53Z) - Class-Incremental Mixture of Gaussians for Deep Continual Learning [15.49323098362628]
本稿では,ガウスモデルの混合を連続学習フレームワークに組み込むことを提案する。
固定抽出器を用いたメモリフリーシナリオにおいて,本モデルが効果的に学習可能であることを示す。
論文 参考訳（メタデータ） (2023-07-09T04:33:19Z) - Planning with Diffusion for Flexible Behavior Synthesis [125.24438991142573]
我々は、できるだけ多くの軌道最適化パイプラインをモデリング問題に折り畳むことがどう見えるか検討する。
我々の技術的アプローチの核心は、軌道を反復的にデノベーションすることで計画する拡散確率モデルにある。
論文 参考訳（メタデータ） (2022-05-20T07:02:03Z) - fairlib: A Unified Framework for Assessing and Improving Classification
Fairness [66.27822109651757]
Fairlibは、分類の公平さを評価し改善するためのオープンソースのフレームワークである。
我々は、前処理、訓練時間、後処理を含む14のデバイアス化手法を実装した。
組み込まれたメトリクスは、最も一般的に使用されるフェアネス基準をカバーし、フェアネス評価のためにさらに一般化およびカスタマイズすることができる。
論文 参考訳（メタデータ） (2022-05-04T03:50:23Z) - Deblurring via Stochastic Refinement [85.42730934561101]
条件付き拡散モデルに基づくブラインドデブロアリングのための代替フレームワークを提案する。
提案手法は,PSNRなどの歪み指標の点で競合する。
論文 参考訳（メタデータ） (2021-12-05T04:36:09Z) - Group-Aware Threshold Adaptation for Fair Classification [9.496524884855557]
複数のフェアネス制約を克服する新しいポストプロセッシング手法を提案する。
理論的には,同条件下での既存手法よりも近似最適に近い上界を許容する。
実験の結果,本手法は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-11-08T04:36:37Z) - Learning Diverse Representations for Fast Adaptation to Distribution
Shift [78.83747601814669]
本稿では,複数のモデルを学習する手法を提案する。
分散シフトへの迅速な適応を促進するフレームワークの能力を実証する。
論文 参考訳（メタデータ） (2020-06-12T12:23:50Z)
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。