論文の概要: M$^2$FGB: A Min-Max Gradient Boosting Framework for Subgroup Fairness

• arxiv url: http://arxiv.org/abs/2504.12458v1
• Date: Wed, 16 Apr 2025 19:47:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:36:08.571317
• Title: M$^2$FGB: A Min-Max Gradient Boosting Framework for Subgroup Fairness
• Title（参考訳）: M$^2$FGB: サブグループフェアネスのための最小限のグラディエントブースティングフレームワーク
• Authors: Jansen S. B. Pereira, Giovani Valdrighi, Marcos Medeiros Raimundo,
• Abstract要約: 教師付き学習問題を対象とした勾配ブースティングマシンにサブグループ正義の概念を適用することを検討する。 min-max最適化問題の解の関連する理論的性質について検討する。 提案手法は, 理論上は軽度条件下で収束することが示唆された。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In recent years, fairness in machine learning has emerged as a critical concern to ensure that developed and deployed predictive models do not have disadvantageous predictions for marginalized groups. It is essential to mitigate discrimination against individuals based on protected attributes such as gender and race. In this work, we consider applying subgroup justice concepts to gradient-boosting machines designed for supervised learning problems. Our approach expanded gradient-boosting methodologies to explore a broader range of objective functions, which combines conventional losses such as the ones from classification and regression and a min-max fairness term. We study relevant theoretical properties of the solution of the min-max optimization problem. The optimization process explored the primal-dual problems at each boosting round. This generic framework can be adapted to diverse fairness concepts. The proposed min-max primal-dual gradient boosting algorithm was theoretically shown to converge under mild conditions and empirically shown to be a powerful and flexible approach to address binary and subgroup fairness.
• Abstract（参考訳）: 近年、機械学習における公正さは、開発およびデプロイされた予測モデルが疎外されたグループに対して不利な予測をしないことを保証するために重要な関心事となっている。 性別や人種などの保護された属性に基づいて個人に対する差別を緩和することが不可欠である。 本研究では,教師付き学習問題のための勾配ブースティングマシンにサブグループ正義の概念を適用することを検討する。 本手法は, 分類や回帰による損失や, min-maxフェアネス項などの従来の損失を組み合わせ, より幅広い目的関数を探索するために, 勾配ブースティング手法を拡張した。 min-max最適化問題の解の関連する理論的性質について検討する。 最適化プロセスは、各ブースティングラウンドにおける原始双対問題を探索した。 この一般的なフレームワークは、多様な公正の概念に適応することができる。 提案手法は理論上は緩やかな条件下で収束することが示され、二進法と部分群フェアネスに対処するための強力で柔軟なアプローチであることが実証された。

関連論文リスト

• Bridging Jensen Gap for Max-Min Group Fairness Optimization in Recommendation [63.66719748453878]
  グループ・マックスミン・フェアネス(MMF)は、最適化の目的として、フェアネス・アウェア・レコメンダシステム(RS)で一般的に使用される。 本稿では,Jensenギャップを最小化するために2つの最適化手法を利用するFairDualというアルゴリズムを提案する。 理論的解析により、FairDualは、大域的最適解に対するサブ線形収束率を達成できることが示されている。
  論文  参考訳（メタデータ） (2025-02-13T13:33:45Z)
• Preference-Based Multi-Agent Reinforcement Learning: Data Coverage and Algorithmic Techniques [65.55451717632317]
  PbMARL(Preference-based Multi-Agent Reinforcement Learning)について検討する。 一般ゲームにおける嗜好のみのオフラインデータセットからナッシュ平衡を同定する。 以上の結果から,PbMARLの多面的アプローチが示唆された。
  論文  参考訳（メタデータ） (2024-09-01T13:14:41Z)
• Loss Balancing for Fair Supervised Learning [20.13250413610897]
  指導的学習モデルは、貸付、大学入学、顔認識、自然言語処理など様々な領域で使用されている。 学習過程における不公平性予測に対処する様々な概念が提案されている(EL)。
  論文  参考訳（メタデータ） (2023-11-07T04:36:13Z)
• Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
  より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。 本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
  論文  参考訳（メタデータ） (2023-09-15T13:04:55Z)
• Proportionally Representative Clustering [17.5359577544947]
  本稿では,クラスタリング問題を対象とした新しい公理比例代表フェアネス(PRF)を提案する。 我々のフェアネスの概念は、既存のフェアクラスタリングアルゴリズムで満たされていない。 制約のない設定に対する我々のアルゴリズムは、よく研究されたプロポーショナルフェアネス(PF)の公理に対する最初の既知時間近似アルゴリズムでもある。
  論文  参考訳（メタデータ） (2023-04-27T02:01:24Z)
• Stochastic Methods for AUC Optimization subject to AUC-based Fairness Constraints [51.12047280149546]
  公正な予測モデルを得るための直接的なアプローチは、公正な制約の下で予測性能を最適化することでモデルを訓練することである。 フェアネスを考慮した機械学習モデルのトレーニング問題を,AUCに基づくフェアネス制約のクラスを対象とする最適化問題として定式化する。 フェアネス測定値の異なる実世界のデータに対するアプローチの有効性を実証する。
  論文  参考訳（メタデータ） (2022-12-23T22:29:08Z)
• Learning Towards the Largest Margins [83.7763875464011]
  損失関数は、クラスとサンプルの両方の最大のマージンを促進するべきである。 この原則化されたフレームワークは、既存のマージンベースの損失を理解し、解釈するための新しい視点を提供するだけでなく、新しいツールの設計を導くことができます。
  論文  参考訳（メタデータ） (2022-06-23T10:03:03Z)
• Bayes-Optimal Classifiers under Group Fairness [32.52143951145071]
  本稿では,群フェアネスの下でベイズ最適分類器を導出するための統一的な枠組みを提供する。 本研究では,FairBayesと呼ばれるグループベースの閾値決定手法を提案する。
  論文  参考訳（メタデータ） (2022-02-20T03:35:44Z)
• All of the Fairness for Edge Prediction with Optimal Transport [11.51786288978429]
  グラフにおけるエッジ予測の課題に対する公平性の問題について検討する。 本稿では,任意のグラフの隣接行列に対して,グループと個々の公正性のトレードオフを伴う埋め込み非依存の補修手順を提案する。
  論文  参考訳（メタデータ） (2020-10-30T15:33:13Z)
• Towards Better Understanding of Adaptive Gradient Algorithms in Generative Adversarial Nets [71.05306664267832]
  適応アルゴリズムは勾配の歴史を用いて勾配を更新し、深層ニューラルネットワークのトレーニングにおいてユビキタスである。 本稿では,非コンケーブ最小値問題に対するOptimisticOAアルゴリズムの変種を解析する。 実験の結果,適応型GAN非適応勾配アルゴリズムは経験的に観測可能であることがわかった。
  論文  参考訳（メタデータ） (2019-12-26T22:10:10Z)

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。