論文の概要: From Fragile to Certified: Wasserstein Audits of Group Fairness Under Distribution Shift

• arxiv url: http://arxiv.org/abs/2509.26241v1
• Date: Tue, 30 Sep 2025 13:35:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-01 14:45:00.146906
• Title: From Fragile to Certified: Wasserstein Audits of Group Fairness Under Distribution Shift
• Title（参考訳）: フラジレから認定:ワッサーシュタインによる分布変化下におけるグループフェアネスの監査
• Authors: Ahmad-Reza Ehyaei, Golnoosh Farnadi, Samira Samadi,
• Abstract要約: グループフェアネスの指標は、再サンプル間で大きく変化し、特に分散シフト下では不安定である。 本稿では, 実験法則を中心にした有理テスト分布の球面上で最悪の群フェアネスを証明した, 分布的に堅牢なワッサーシュタインフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 21.387312729118364
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Group-fairness metrics (e.g., equalized odds) can vary sharply across resamples and are especially brittle under distribution shift, undermining reliable audits. We propose a Wasserstein distributionally robust framework that certifies worst-case group fairness over a ball of plausible test distributions centered at the empirical law. Our formulation unifies common group fairness notions via a generic conditional-probability functional and defines $\varepsilon$-Wasserstein Distributional Fairness ($\varepsilon$-WDF) as the audit target. Leveraging strong duality, we derive tractable reformulations and an efficient estimator (DRUNE) for $\varepsilon$-WDF. We prove feasibility and consistency and establish finite-sample certification guarantees for auditing fairness, along with quantitative bounds under smoothness and margin conditions. Across standard benchmarks and classifiers, $\varepsilon$-WDF delivers stable fairness assessments under distribution shift, providing a principled basis for auditing and certifying group fairness beyond observational data.
• Abstract（参考訳）: グループフェアネスの指標(例えば、等化確率)は、再サンプル間で急激なばらつきがあり、特に分散シフト下では不安定であり、信頼性のある監査を損なう。 本稿では, 実験法則を中心にした有理テスト分布の球面上で最悪の群フェアネスを証明した, 分布的に堅牢なワッサーシュタインフレームワークを提案する。 我々の定式化は、一般的な条件-確率関数を通して共通群フェアネスの概念を統一し、監査対象として$\varepsilon$-Wasserstein Distributional Fairness$\varepsilon$-WDFを定義する。 強い双対性を生かして、ドレプシロン$-WDFのトラクタブルな再構成と効率的な推定器(DRUNE)を導出する。 有効性と整合性を証明し、滑らかさとマージン条件下での定量的境界とともに、公正さを監査するための有限サンプル認証保証を確立する。 標準ベンチマークと分類器全体にわたって、$\varepsilon$-WDFは、分布シフトの下で安定した公正性評価を提供し、観察データを超えたグループフェアネスの監査と認定のための原則的な基礎を提供する。

関連論文リスト

• FedCF: Fair Federated Conformal Prediction [4.145290936792853]
  コンフォーマルフェアネス(CF)フレームワークをフェデレートラーニング設定に拡張し、フェアネスのためのフェデレーションモデルの監査方法について議論します。 複数のドメインにまたがる複数のデータセットの実験を行うことで、我々のフレームワークを実証的に検証する。
  論文  参考訳（メタデータ） (2025-09-26T20:35:22Z)
• FedFACT: A Provable Framework for Controllable Group-Fairness Calibration in Federated Learning [23.38141950440522]
  我々はFedFACTという制御可能なグループフェアネス校正フレームワークを提案する。 FedFACTは、大域的および局所的公正性の制約の下でベイズ最適分類器を識別する。 我々は,FedFACTが精度とグローバル・ローカル・フェアネスのバランスをとる上で,ベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2025-06-04T09:39:57Z)
• Testing for Causal Fairness [10.105031765942437]
  因果性は、職業採用における性別や犯罪予測における人種などのセンシティブな属性に対する差別を防ぐために、公平性分析で広く用いられている。 現在のデータベースの潜在的成果フレームワーク(POF)は、高次元データを扱う際に、信頼できない公平性分析結果をもたらすことが多い。 本稿では, 公平性分析をDCTに変換する分布型POFを提案する。
  論文  参考訳（メタデータ） (2025-02-18T14:05:04Z)
• Finite-Sample and Distribution-Free Fair Classification: Optimal Trade-off Between Excess Risk and Fairness, and the Cost of Group-Blindness [14.421493372559762]
  グループフェアネス制約下の二項分類におけるアルゴリズムフェアネスとグループブレンドネスの強制効果を定量化する。 制御された過剰リスクを伴う分布自由かつ有限サンプルフェアネスを保証するフェア分類のための統一的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-21T20:04:17Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• FFB: A Fair Fairness Benchmark for In-Processing Group Fairness Methods [84.1077756698332]
  本稿では,グループフェアネス手法のベンチマークフレームワークであるFair Fairness Benchmark(textsfFFB)を紹介する。 グループフェアネスの異なる概念を確実にするための最先端手法を包括的に分析する。
  論文  参考訳（メタデータ） (2023-06-15T19:51:28Z)
• 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)
• 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)
• FaiREE: Fair Classification with Finite-Sample and Distribution-Free Guarantee [35.68504233140245]
  FaiREE は群フェアネス制約を有限サンプルと分布自由な理論保証で満たす公平な分類アルゴリズムである。 FaiREEは最先端のアルゴリズムよりも優れた性能を示した。
  論文  参考訳（メタデータ） (2022-11-28T05:16:20Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Robust Optimization for Fairness with Noisy Protected Groups [85.13255550021495]
  ノイズが保護されたグループラベルに頼った結果について検討した。 頑健な最適化を用いた2つの新しいアプローチを提案する。 頑健なアプローチは、単純アプローチよりも真のグループ公平性を保証することが示される。
  論文  参考訳（メタデータ） (2020-02-21T14:58:37Z)

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。