論文の概要: Meta Optimality for Demographic Parity Constrained Regression via Post-Processing

• arxiv url: http://arxiv.org/abs/2506.13947v1
• Date: Mon, 16 Jun 2025 19:36:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-18 17:34:59.22138
• Title: Meta Optimality for Demographic Parity Constrained Regression via Post-Processing
• Title（参考訳）: ポストプロシーシングによる復刻的パリティ制約回帰のメタ最適性
• Authors: Kazuto Fukuchi,
• Abstract要約: 本稿では, 人口格差の制約の下での回帰問題, 一般的に用いられる公平性の定義に対処する。 最近の研究では、フェアネス制約に従う最も正確なアルゴリズムである、フェアミニマックス最適回帰アルゴリズムが明らかにされている。 本稿では,様々な状況に適用可能なメタ理論を提案し,対応する回帰アルゴリズムの最適最小性を検証した。
• 参考スコア（独自算出の注目度）: 4.106460421493345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the regression problem under the constraint of demographic parity, a commonly used fairness definition. Recent studies have revealed fair minimax optimal regression algorithms, the most accurate algorithms that adhere to the fairness constraint. However, these analyses are tightly coupled with specific data generation models. In this paper, we provide meta-theorems that can be applied to various situations to validate the fair minimax optimality of the corresponding regression algorithms. Furthermore, we demonstrate that fair minimax optimal regression can be achieved through post-processing methods, allowing researchers and practitioners to focus on improving conventional regression techniques, which can then be efficiently adapted for fair regression.
• Abstract（参考訳）: 本稿では, 人口格差の制約の下での回帰問題, 一般的に用いられる公平性の定義に対処する。 最近の研究では、フェアネス制約に従う最も正確なアルゴリズムである、フェアミニマックス最適回帰アルゴリズムが明らかにされている。 しかし、これらの分析は特定のデータ生成モデルと密結合している。 本稿では,様々な状況に適用可能なメタ理論を提供し,対応する回帰アルゴリズムの最適最小性を検証する。 さらに, 従来の回帰手法の改良に焦点をあてて, 適正最小回帰を後処理法により達成できることを実証した。

関連論文リスト

• Self-Boost via Optimal Retraining: An Analysis via Approximate Message Passing [58.52119063742121]
  独自の予測と潜在的にノイズの多いラベルを使ってモデルをトレーニングすることは、モデルパフォーマンスを改善するためのよく知られた戦略である。 本稿では,モデルの予測と提供ラベルを最適に組み合わせる方法について論じる。 我々の主な貢献は、現在のモデルの予測と与えられたラベルを組み合わせたベイズ最適集約関数の導出である。
  論文  参考訳（メタデータ） (2025-05-21T07:16:44Z)
• Semiparametric Counterfactual Regression [2.356908851188234]
  一般化可能なフレームワーク内での非実効的回帰のための2つの頑健なスタイル推定器を提案する。 当社のアプローチでは,標準手法を維持しながら適応性を高めるために,漸進的な介入を用いる。 解析の結果,提案した推定器は幅広い問題に対して$sqrn$-consistencyと正規性が得られることがわかった。
  論文  参考訳（メタデータ） (2025-04-03T15:32:26Z)
• Achieving $\widetilde{\mathcal{O}}(\sqrt{T})$ Regret in Average-Reward POMDPs with Known Observation Models [56.92178753201331]
  平均逆無限水平POMDPを未知の遷移モデルで扱う。 この障壁を克服する斬新でシンプルな推定器を提示する。
  論文  参考訳（メタデータ） (2025-01-30T22:29:41Z)
• Fair and Accurate Regression: Strong Formulations and Algorithms [5.93858665501805]
  本稿では,メトリクスを組み込んだ回帰問題を解くための混合整数最適化手法を提案する。 公正回帰モデルのトレーニングのための正確な定式化を提案する。 最小二乗および対数回帰問題に対する数値実験は、競合統計性能を示す。
  論文  参考訳（メタデータ） (2024-12-22T18:04:54Z)
• Sparse high-dimensional linear regression with a partitioned empirical Bayes ECM algorithm [62.997667081978825]
  疎高次元線形回帰に対する計算効率が高く強力なベイズ的手法を提案する。 パラメータに関する最小の事前仮定は、プラグイン経験的ベイズ推定(英語版)を用いて用いられる。 提案手法はRパッケージプローブに実装されている。
  論文  参考訳（メタデータ） (2022-09-16T19:15:50Z)
• A Regression Approach to Learning-Augmented Online Algorithms [17.803569868141647]
  本論文では,本手法について紹介し,一般的なオンライン検索フレームワークの文脈で考察する。 この回帰問題におけるサンプルの複雑さにほぼ厳密な境界を示し、その結果を不可知的な設定にまで拡張する。 技術的観点から、回帰問題に対する損失関数の設計にオンライン最適化ベンチマークを組み込むことが重要であることを示す。
  論文  参考訳（メタデータ） (2022-05-18T04:29:14Z)
• Near-optimal inference in adaptive linear regression [60.08422051718195]
  最小二乗法のような単純な方法でさえ、データが適応的に収集されるときの非正規な振る舞いを示すことができる。 我々は,これらの分布異常を少なくとも2乗推定で補正するオンラインデバイアス推定器のファミリーを提案する。 我々は,マルチアームバンディット,自己回帰時系列推定,探索による能動的学習などの応用を通して,我々の理論の有用性を実証する。
  論文  参考訳（メタデータ） (2021-07-05T21:05:11Z)
• Learning Prediction Intervals for Regression: Generalization and Calibration [12.576284277353606]
  不確実性定量のための回帰における予測間隔の生成について検討する。 我々は一般学習理論を用いて、リプシッツ連続性とVC-サブグラフクラスを含む最適性と実現可能性のトレードオフを特徴づける。 我々は既存のベンチマークと比べてテスト性能の点で、区間生成とキャリブレーションアルゴリズムの強みを実証的に示している。
  論文  参考訳（メタデータ） (2021-02-26T17:55:30Z)
• Active Sampling for Min-Max Fairness [28.420886416425077]
  min-maxフェアネスを最適化するための簡易なアクティブサンプリングと再重み付け手法を提案する。 実装の容易さとロバストな定式化の汎用性により、不備な群におけるモデル性能を改善するための魅力的な選択肢となる。 線形回帰法やロジスティック回帰法のような凸学習問題に対しては、分極値解への収束率を証明し、きめ細かな解析を行う。
  論文  参考訳（メタデータ） (2020-06-11T23:57:55Z)
• Beyond UCB: Optimal and Efficient Contextual Bandits with Regression Oracles [112.89548995091182]
  我々は、文脈的帯域幅からオンライン回帰への、初めての普遍的で最適な削減を提供する。 我々のアルゴリズムは、実現可能性以上の分布仮定は必要とせず、コンテキストが逆選択された場合でも機能する。
  論文  参考訳（メタデータ） (2020-02-12T11:33:46Z)

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。