論文の概要: BM-CL: Bias Mitigation through the lens of Continual Learning

• arxiv url: http://arxiv.org/abs/2509.01730v1
• Date: Mon, 01 Sep 2025 19:23:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.829451
• Title: BM-CL: Bias Mitigation through the lens of Continual Learning
• Title（参考訳）: BM-CL:連続学習のレンズによるバイアス軽減
• Authors: Lucas Mansilla, Rodrigo Echeveste, Camila Gonzalez, Diego H. Milone, Enzo Ferrante,
• Abstract要約: 本研究は,このトレードオフに対応するために連続学習の原則を活用する新しいフレームワークであるBias Mitigation through Continual Learning (BM-CL)を紹介する。 緩和バイアスは、モデルが変化する公正条件に適応しなければならない領域増分連続学習と概念的に類似していると仮定する。 我々のアプローチは、公平性と継続的な学習の分野を橋渡しし、公平かつ効果的な機械学習システムの開発に有望な経路を提供する。
• 参考スコア（独自算出の注目度）: 3.678971843192423
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Biases in machine learning pose significant challenges, particularly when models amplify disparities that affect disadvantaged groups. Traditional bias mitigation techniques often lead to a {\itshape leveling-down effect}, whereby improving outcomes of disadvantaged groups comes at the expense of reduced performance for advantaged groups. This study introduces Bias Mitigation through Continual Learning (BM-CL), a novel framework that leverages the principles of continual learning to address this trade-off. We postulate that mitigating bias is conceptually similar to domain-incremental continual learning, where the model must adjust to changing fairness conditions, improving outcomes for disadvantaged groups without forgetting the knowledge that benefits advantaged groups. Drawing inspiration from techniques such as Learning without Forgetting and Elastic Weight Consolidation, we reinterpret bias mitigation as a continual learning problem. This perspective allows models to incrementally balance fairness objectives, enhancing outcomes for disadvantaged groups while preserving performance for advantaged groups. Experiments on synthetic and real-world image datasets, characterized by diverse sources of bias, demonstrate that the proposed framework mitigates biases while minimizing the loss of original knowledge. Our approach bridges the fields of fairness and continual learning, offering a promising pathway for developing machine learning systems that are both equitable and effective.
• Abstract（参考訳）: 機械学習におけるバイアスは、特にモデルが不利なグループに影響を与える格差を増幅する場合に、重大な課題を引き起こす。 従来のバイアス緩和技術は、しばしば、不利なグループの結果を改善するために、有利なグループのパフォーマンスが低下するのを犠牲にしてしまうような、リベリングダウン効果をもたらす。 本研究は,このトレードオフに対応するために連続学習の原則を活用する新しいフレームワークであるBias Mitigation through Continual Learning (BM-CL)を紹介する。 モデルが不公平な条件に適応し、不利なグループに対する結果を改善するためには、有利なグループに利益をもたらす知識を忘れることなく、偏見を緩和することは、ドメイン・インクリメンタルな学習と概念的に類似していると仮定する。 提案手法は,ゆるやかでない学習や弾性重み強化といった手法からインスピレーションを得て,バイアス緩和を連続学習問題として再解釈する。 この観点は、モデルが不公平な目標を漸進的にバランスさせ、不利なグループのパフォーマンスを維持しながら結果を高めることを可能にする。 多様なバイアス源を特徴とする合成および実世界の画像データセットの実験は、提案フレームワークがバイアスを軽減し、元の知識の喪失を最小限に抑えることを実証している。 我々のアプローチは、公平性と継続的な学習の分野を橋渡しし、公平かつ効果的な機械学習システムの開発に有望な経路を提供する。

関連論文リスト

• Paying Alignment Tax with Contrastive Learning [6.232983467016873]
  現在のデバイアスのアプローチは、事実の正確性や知識の保持といったモデル能力の低下をもたらすことが多い。 本稿では, 慎重に構築された肯定的, 否定的な例を通して学習する, 対照的な学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-25T21:26:18Z)
• Temporal-Difference Variational Continual Learning [89.32940051152782]
  複数の先行推定の正則化効果を統合する新たな学習目標を提案する。 提案手法は, 変分CL法より優れたカタストロフィックフォーミングを効果的に緩和する。
  論文  参考訳（メタデータ） (2024-10-10T10:58:41Z)
• Relaxed Contrastive Learning for Federated Learning [48.96253206661268]
  本稿では,フェデレート学習におけるデータ不均一性の課題に対処する,新しいコントラスト学習フレームワークを提案する。 当社のフレームワークは,既存のフェデレート学習アプローチを,標準ベンチマークにおいて大きなマージンで上回ります。
  論文  参考訳（メタデータ） (2024-01-10T04:55:24Z)
• Time-Series Contrastive Learning against False Negatives and Class Imbalance [17.43801009251228]
  我々は理論分析を行い、それらが基本的な問題、つまりInfoNCEの損失に基づくフレームワークに固有の偽陰性とクラス不均衡を見落としていることを発見した。 インスタンス識別タスクに携わるモデルに対して,SimCLRフレームワークに根ざした直感的な修正を導入する。 半教師付き一貫性分類を行い、マイノリティクラスの代表的能力を高める。
  論文  参考訳（メタデータ） (2023-12-19T08:38:03Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• Integrating Prior Knowledge in Contrastive Learning with Kernel [4.050766659420731]
  我々は、カーネル理論を用いて、(i)事前知識の統合を可能にし、(i)元のInfoNCE損失における負の正の結合を取り除くという、分離均一性(decoupled uniformity)と呼ばれる新しい損失を提案する。 教師なしの環境では、CLは自然画像と医用画像の両方で表現を改善するために生成モデルから恩恵を受けることを実証的に実証する。
  論文  参考訳（メタデータ） (2022-06-03T15:43:08Z)
• Supercharging Imbalanced Data Learning With Energy-based Contrastive Representation Transfer [72.5190560787569]
  コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。 本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。 これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
  論文  参考訳（メタデータ） (2020-11-25T00:13:11Z)
• Fairness in Forecasting and Learning Linear Dynamical Systems [10.762748665074794]
  時系列予測問題において、そのような表現不足に対処するために、サブグループフェアネスと即時フェアネスという2つの自然な概念を導入する。 特に,長さの異なる複数の軌跡から線形力学系のサブグループフェアおよびインスタントフェア学習を考える。
  論文  参考訳（メタデータ） (2020-06-12T16:53:27Z)

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。