論文の概要: Incorporating Fairness Constraints into Archetypal Analysis

• arxiv url: http://arxiv.org/abs/2507.12021v1
• Date: Wed, 16 Jul 2025 08:28:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-17 19:00:11.304432
• Title: Incorporating Fairness Constraints into Archetypal Analysis
• Title（参考訳）: 古細菌解析における公正制約の組み入れ
• Authors: Aleix Alcacer, Irene Epifanio,
• Abstract要約: Archetypal Analysis (AA) は、データをアーチタイプと呼ばれる極端なパターンの凸結合として表現する教師なし学習手法である。 本研究では,Fair Archetypal Analysis (FairAA)を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Archetypal Analysis (AA) is an unsupervised learning method that represents data as convex combinations of extreme patterns called archetypes. While AA provides interpretable and low-dimensional representations, it can inadvertently encode sensitive attributes, leading to fairness concerns. In this work, we propose Fair Archetypal Analysis (FairAA), a modified formulation that explicitly reduces the influence of sensitive group information in the learned projections. We also introduce FairKernelAA, a nonlinear extension that addresses fairness in more complex data distributions. Our approach incorporates a fairness regularization term while preserving the structure and interpretability of the archetypes. We evaluate FairAA and FairKernelAA on synthetic datasets, including linear, nonlinear, and multi-group scenarios, demonstrating their ability to reduce group separability -- as measured by mean maximum discrepancy and linear separability -- without substantially compromising explained variance. We further validate our methods on the real-world ANSUR I dataset, confirming their robustness and practical utility. The results show that FairAA achieves a favorable trade-off between utility and fairness, making it a promising tool for responsible representation learning in sensitive applications.
• Abstract（参考訳）: Archetypal Analysis (AA) は、データをアーチタイプと呼ばれる極端なパターンの凸結合として表現する教師なし学習手法である。 AAは解釈可能で低次元の表現を提供するが、不注意にセンシティブな属性をエンコードすることができ、公平性への懸念をもたらす。 本研究では,Fair Archetypal Analysis (FairAA)を提案する。 また、より複雑なデータ分布の公平性に対処する非線形拡張であるFairKernelAAを導入する。 本手法は,古型の構造と解釈可能性を維持しつつ,公正な正則化の項を取り入れたものである。 本研究では,FairAAとFairKernelAAを,線形,非線形,複数グループのシナリオを含む合成データセット上で評価し,そのグループ分離性(平均最大差と線形分離性)を,説明的分散を著しく損なうことなく評価した。 さらに,実世界のANSUR Iデータセット上での手法の有効性を検証し,その堅牢性と実用性を確認した。 その結果、FairAAは実用性と公正性の間の良好なトレードオフを達成し、センシティブなアプリケーションにおける表現学習の責任を負うための有望なツールであることがわかった。

関連論文リスト

• Deep Fair Learning: A Unified Framework for Fine-tuning Representations with Sufficient Networks [8.616743904155419]
  本研究では,十分な次元削減と深層学習を統合し,公正かつ情報的表現を構築するフレームワークを提案する。 微調整中に新たなペナルティ項を導入することにより、センシティブな属性と学習された表現との間の条件付き独立性を強制する。 提案手法は, 公平性と実用性とのバランスが良好であり, 最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-04-08T22:24:22Z)
• Thinking Racial Bias in Fair Forgery Detection: Models, Datasets and Evaluations [63.52709761339949]
  最初に、Fair Forgery Detection(FairFD)データセットと呼ばれる専用のデータセットをコントリビュートし、SOTA(Public State-of-the-art)メソッドの人種的偏見を証明する。 我々は、偽りの結果を避けることができる平均的メトリクスと実用正規化メトリクスを含む新しいメトリクスを設計する。 また,有効で堅牢な後処理技術であるBias Pruning with Fair Activations (BPFA)も提案する。
  論文  参考訳（メタデータ） (2024-07-19T14:53:18Z)
• Provable Optimization for Adversarial Fair Self-supervised Contrastive Learning [49.417414031031264]
  本稿では,自己教師型学習環境におけるフェアエンコーダの学習について検討する。 すべてのデータはラベル付けされておらず、そのごく一部だけが機密属性で注釈付けされている。
  論文  参考訳（メタデータ） (2024-06-09T08:11:12Z)
• Balancing Fairness and Accuracy in Data-Restricted Binary Classification [14.439413517433891]
  本稿では,4つの実践シナリオ下での精度と公平性のトレードオフをモデル化する枠組みを提案する。 3つのデータセットの実験では、トレードオフを定量化するためのツールとして提案されたフレームワークの有用性が示されている。
  論文  参考訳（メタデータ） (2024-03-12T15:01:27Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Null-sampling for Interpretable and Fair Representations [8.654168514863649]
  データ領域における不変表現を学習し、アルゴリズム的公正性における解釈可能性を実現する。 データドメインに表現を配置することで、モデルによってなされた変更は、人間の監査官によって容易に検査可能である。
  論文  参考訳（メタデータ） (2020-08-12T11:49:01Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。