論文の概要: Improving Group Fairness in Tensor Completion via Imbalance Mitigating Entity Augmentation

• arxiv url: http://arxiv.org/abs/2507.20542v1
• Date: Mon, 28 Jul 2025 05:59:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-29 16:23:57.880233
• Title: Improving Group Fairness in Tensor Completion via Imbalance Mitigating Entity Augmentation
• Title（参考訳）: Entity Augmentationの非均衡化によるテンソル補完におけるグループフェアネスの改善
• Authors: Dawon Ahn, Jun-Gi Jang, Evangelos E. Papalexakis,
• Abstract要約: グループフェアネスは、性別や年齢などの社会的根拠に基づく差別を防止するために、テンソル分解において考慮することが重要である。 STAFF(Sparse Augmentation for Fairness)を提案し、異なるグループの完了エラーのギャップを最小限に抑え、グループフェアネスを改善する。 我々の主な考えは、スパーステンソルにおける不均衡とグループバイアスに十分な観察項目を含む、強化された実体でテンソルを増強することである。
• 参考スコア（独自算出の注目度）: 9.23223668130597
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group fairness is important to consider in tensor decomposition to prevent discrimination based on social grounds such as gender or age. Although few works have studied group fairness in tensor decomposition, they suffer from performance degradation. To address this, we propose STAFF(Sparse Tensor Augmentation For Fairness) to improve group fairness by minimizing the gap in completion errors of different groups while reducing the overall tensor completion error. Our main idea is to augment a tensor with augmented entities including sufficient observed entries to mitigate imbalance and group bias in the sparse tensor. We evaluate \method on tensor completion with various datasets under conventional and deep learning-based tensor models. STAFF consistently shows the best trade-off between completion error and group fairness; at most, it yields 36% lower MSE and 59% lower MADE than the second-best baseline.
• Abstract（参考訳）: グループフェアネスは、性別や年齢などの社会的根拠に基づく差別を防止するために、テンソル分解において考慮することが重要である。 テンソル分解におけるグループフェアネスの研究は少ないが、性能劣化に悩まされている。 そこで本稿では,STAFF(Sparse Tensor Augmentation For Fairness)を提案する。 我々の主な考えは、スパーステンソルにおける不均衡と群バイアスを軽減するのに十分な観察項目を含む、強化された実体でテンソルを増大させることである。 従来の学習型テンソルモデルと深層学習型テンソルモデルを用いて,様々なデータセットを用いたテンソル補完法の評価を行った。 STAFFは、完了エラーとグループフェアネスの最良のトレードオフを一貫して示しており、ほとんどの場合、MSEが36%低く、MADEが2番目に低いベースラインよりも59%低い。

関連論文リスト

• Score-Based Model for Low-Rank Tensor Recovery [49.158601255093416]
  低ランクテンソル分解(TD)は、マルチウェイデータ解析に有効なフレームワークを提供する。 従来のTD法は、CPやタッカー分解のような事前定義された構造的仮定に依存している。 本稿では,事前定義された構造的仮定や分布的仮定の必要性を排除したスコアベースモデルを提案する。
  論文  参考訳（メタデータ） (2025-06-27T15:05:37Z)
• FairACE: Achieving Degree Fairness in Graph Neural Networks via Contrastive and Adversarial Group-Balanced Training [23.379213814314372]
  本稿では,Fairness-Aware Asymmetric Contrastive Ensemble (FairACE)と呼ばれる新しいGNNフレームワークを提案する。 また、異なる次数ベースのノード群間での等価性能を定量的に評価し、保証する新しい公正度尺度である、精度分布ギャップ(ADG)を提案する。
  論文  参考訳（メタデータ） (2025-04-12T13:32:11Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [53.96714099151378]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• The Group Robustness is in the Details: Revisiting Finetuning under Spurious Correlations [8.844894807922902]
  現代の機械学習モデルは、素早い相関に過度に依存する傾向がある。 本稿では,最短群精度における微調整モデルの意外かつニュアンスな挙動を同定する。 以上の結果より,群強靭性を有する現代ファインチュードモデルの微妙な相互作用が以前よりも顕著に示された。
  論文  参考訳（メタデータ） (2024-07-19T00:34:03Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• Robust M-estimation-based Tensor Ring Completion: a Half-quadratic Minimization Approach [14.048989759890475]
  我々はM推定器を誤差統計量として用いるテンソル環完備化への頑健なアプローチを開発する。 truncatedの特異値分解と行列分解に基づくHQに基づく2つのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-06-19T04:37:50Z)
• Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
  我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。 入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。 分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
  論文  参考訳（メタデータ） (2021-06-14T05:39:09Z)
• MTC: Multiresolution Tensor Completion from Partial and Coarse Observations [49.931849672492305]
  既存の完備化の定式化は、主に1つのテンソルからの部分的な観測に依存する。 この問題を解決するために,効率的なマルチレゾリューション・コンプリート・モデル(MTC)を提案する。
  論文  参考訳（メタデータ） (2021-06-14T02:20:03Z)

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。