論文の概要: Risk-averse Fair Multi-class Classification
- arxiv url: http://arxiv.org/abs/2509.05771v1
- Date: Sat, 06 Sep 2025 16:54:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-09-09 14:07:03.702104
- Title: Risk-averse Fair Multi-class Classification
- Title（参考訳）: リスク・アバース・フェア・マルチクラス分類
- Authors: Darinka Dentcheva, Xiangyu Tian,
- Abstract要約: 我々は,コヒーレントリスク尺度とシステムリスクの理論に基づく新たな分類枠組みを開発する。
提案手法は,データがノイズが多く,(問題の次元に対して)不足していて,ラベル付けが信頼性に欠ける場合に,複数のクラスに適している。
- 参考スコア（独自算出の注目度）: 0.42970700836450487
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: We develop a new classification framework based on the theory of coherent risk measures and systemic risk. The proposed approach is suitable for multi-class problems when the data is noisy, scarce (relative to the dimension of the problem), and the labeling might be unreliable. In the first part of our paper, we provide the foundation of the use of systemic risk models and show how to apply it in the context of linear and kernel-based multi-class problems. More advanced formulation via a system-theoretic approach with non-linear aggregation is proposed, which leads to a two-stage stochastic programming problem. A risk-averse regularized decomposition method is designed to solve the problem. We use a popular multi-class method as a benchmark in the performance analysis of the proposed classification methods. We illustrate our ideas by proposing several generalization of that method by the use of coherent measures of risk. The viability of the proposed risk-averse methods are supported theoretically and numerically. Additionally, we demonstrate that the application of systemic risk measures facilitates enforcing fairness in classification. Analysis and experiments regarding the fairness of the proposed models are carefully conducted. For all methods, our numerical experiments demonstrate that they are robust in the presence of unreliable training data and perform better on unknown data than the methods minimizing expected classification errors. Furthermore, the performance improves when the number of classes increases.
- Abstract（参考訳）: 我々は,コヒーレントリスク尺度とシステムリスクの理論に基づく新たな分類枠組みを開発する。
提案手法は,データがノイズが多く,(問題の次元に対して)不足していて,ラベル付けが信頼性に欠ける場合に,複数のクラスに適している。
本稿の前半では,システムリスクモデルの利用の基礎を提供し,線形およびカーネルベースのマルチクラス問題にどのように適用するかを示す。
非線形アグリゲーションを用いたシステム理論アプローチによるより高度な定式化が提案され、2段階確率計画問題に導かれる。
リスク-逆正規化分解法はこの問題を解決するために設計されている。
提案手法の性能解析のベンチマークとして,一般的なマルチクラス手法を用いる。
我々は,リスクのコヒーレントな尺度を用いて,この手法のいくつかの一般化を提案する。
提案手法の有効性は理論的および数値的に支持される。
さらに,システム的リスク対策の適用により,分類の公平性を高めることが実証された。
提案するモデルの公平性に関する分析と実験を慎重に実施する。
いずれの方法においても,信頼性の低いトレーニングデータの存在下では頑健であり,予測された分類誤差を最小限に抑える方法よりも,未知データの方が優れていることを示す。
さらに、クラス数が増加するとパフォーマンスが向上する。
関連論文リスト
- Transfer Learning for Classification under Decision Rule Drift with Application to Optimal Individualized Treatment Rule Estimation [50.34670342434884]
本研究では,ベイズ決定規則による後方ドリフトのモデル化手法を提案する。
穏やかな規則性条件の下では、推定器の整合性を確立し、リスク境界を導出する。
本稿では,最適な個別化処理ルールの推定に適応させることにより,本手法の幅広い適用性について述べる。
論文 参考訳（メタデータ） (2025-08-28T16:03:06Z) - Learning from M-Tuple Dominant Positive and Unlabeled Data [9.568395664931504]
本稿では,実世界のアプリケーションシナリオに適合する汎用学習フレームワークであるemphMDPUを提案する。
経験的リスク最小化 (ERM) 法に基づいて, リスク一貫性を満足する未バイアスリスク推定器を導出する。
トレーニング中に必然的に過適合する問題を緩和するため、リスク補正手法を導入し、修正されたリスク推定器の開発に繋がる。
論文 参考訳（メタデータ） (2025-05-25T13:20:11Z) - Learning Controlled Stochastic Differential Equations [61.82896036131116]
本研究では,非一様拡散を伴う連続多次元非線形微分方程式のドリフト係数と拡散係数の両方を推定する新しい手法を提案する。
我々は、(L2)、(Linfty)の有限サンプル境界や、係数の正則性に適応する学習率を持つリスクメトリクスを含む、強力な理論的保証を提供する。
当社のメソッドはオープンソースPythonライブラリとして利用可能です。
論文 参考訳（メタデータ） (2024-11-04T11:09:58Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Risk-Sensitive Reinforcement Learning with Exponential Criteria [0.0]
我々は、堅牢な強化学習ポリシーを定義し、リスクに敏感な強化学習問題を定式化し、それらを近似する。
本稿では,近似更新を用いた乗算ベルマン方程式の解法に基づく新しいオンラインアクター・クリティカルアルゴリズムを提案する。
シミュレーション実験により,提案手法の実装,性能,ロバスト性を評価した。
論文 参考訳（メタデータ） (2022-12-18T04:44:38Z) - Risk Consistent Multi-Class Learning from Label Proportions [64.0125322353281]
本研究は,バッグにトレーニングインスタンスを提供するMCLLP設定によるマルチクラス学習に対処する。
既存のほとんどのMCLLPメソッドは、インスタンスの予測や擬似ラベルの割り当てにバッグワイズな制約を課している。
経験的リスク最小化フレームワークを用いたリスク一貫性手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T03:49:04Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z) - Sparse Methods for Automatic Relevance Determination [0.0]
まず、自動妥当性決定(ARD)について検討し、スパースモデルを実現するために、追加の正規化やしきい値設定の必要性を解析的に実証する。
次に、正規化ベースとしきい値ベースという2つの手法のクラスについて論じる。
論文 参考訳（メタデータ） (2020-05-18T14:08:49Z)
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。