論文の概要: Set to Be Fair: Demographic Parity Constraints for Set-Valued Classification

• arxiv url: http://arxiv.org/abs/2510.04926v1
• Date: Mon, 06 Oct 2025 15:36:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-07 16:52:59.944495
• Title: Set to Be Fair: Demographic Parity Constraints for Set-Valued Classification
• Title（参考訳）: Set to be Fair: 集合値分類のためのデモグラフィックパリティ制約
• Authors: Eyal Cohen, Christophe Denis, Mohamed Hebiri,
• Abstract要約: 本研究は,人口順と予測サイズ制約の下での集合値分類の問題に対処する。 両制約を満足しながら分類リスクを最小限に抑えるオラクルベースの方法と,制約満足度を優先する計算効率の良いプロキシの2つの補完戦略を提案する。
• 参考スコア（独自算出の注目度）: 5.085064777896467
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Set-valued classification is used in multiclass settings where confusion between classes can occur and lead to misleading predictions. However, its application may amplify discriminatory bias motivating the development of set-valued approaches under fairness constraints. In this paper, we address the problem of set-valued classification under demographic parity and expected size constraints. We propose two complementary strategies: an oracle-based method that minimizes classification risk while satisfying both constraints, and a computationally efficient proxy that prioritizes constraint satisfaction. For both strategies, we derive closed-form expressions for the (optimal) fair set-valued classifiers and use these to build plug-in, data-driven procedures for empirical predictions. We establish distribution-free convergence rates for violations of the size and fairness constraints for both methods, and under mild assumptions we also provide excess-risk bounds for the oracle-based approach. Empirical results demonstrate the effectiveness of both strategies and highlight the efficiency of our proxy method.
• Abstract（参考訳）: 設定値の分類は、クラス間の混乱が発生し、誤解を招く予測につながる、マルチクラス設定で使用される。 しかし、その応用は差別バイアスを増幅し、公正性制約下での集合値アプローチの開発を動機付ける可能性がある。 本稿では,人口密度と予測サイズ制約の下での集合値分類の問題に対処する。 両制約を満足しながら分類リスクを最小限に抑えるオラクルベースの方法と,制約満足度を優先する計算効率の良いプロキシの2つの補完戦略を提案する。 どちらの戦略も、(最適)公正な集合値分類器のクローズドフォーム式を導出し、これらを用いて、経験的予測のためのプラグイン、データ駆動の手順を構築する。 両手法のサイズと公平性の制約に違反する分布自由収束率を確立し,軽度の仮定の下では,オラクルベースのアプローチに対して過剰なリスク境界も提供する。 その結果,両戦略の有効性を実証し,プロキシ手法の有効性を強調した。

関連論文リスト

• Fair Classification by Direct Intervention on Operating Characteristics [16.692307869326395]
  複数のグループフェアネス制約を持つ二項分類のための属性認識設定において、グループフェアネスの下で新しい分類器を開発する。 本稿では,事前学習した基底分類器の動作特性を直接介入して,線形分数制約に適用可能な新しい手法を提案する。 標準データセットでは, DP, EO, PPをほとんど介入せず, 精度がほぼ低下し, 同時に近似DP, EO, PPを満足する。
  論文  参考訳（メタデータ） (2025-09-29T20:36:32Z)
• Learning from Similarity-Confidence and Confidence-Difference [0.07646713951724009]
  複数の視点から補完的な弱監督信号を利用する新しい弱監視学習(WSL)フレームワークを提案する。 具体的には,2種類の弱いラベルを統合する手法であるSconfConfDiff Classificationを紹介する。 両推定器が推定誤差境界に対して最適収束率を達成することを証明した。
  論文  参考訳（メタデータ） (2025-08-07T07:42:59Z)
• 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)
• On Regularization and Inference with Label Constraints [62.60903248392479]
  機械学習パイプラインにおけるラベル制約を符号化するための2つの戦略、制約付き正規化、制約付き推論を比較した。 正規化については、制約に不整合なモデルを前置することで一般化ギャップを狭めることを示す。 制約付き推論では、モデルの違反を訂正することで人口リスクを低減し、それによってその違反を有利にすることを示す。
  論文  参考訳（メタデータ） (2023-07-08T03:39:22Z)
• 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)
• Self-Certifying Classification by Linearized Deep Assignment [65.0100925582087]
  そこで我々は,PAC-Bayesリスク認定パラダイム内で,グラフ上のメトリックデータを分類するための新しい深層予測器のクラスを提案する。 PAC-Bayesの最近の文献とデータに依存した先行研究に基づいて、この手法は仮説空間上の後続分布の学習を可能にする。
  論文  参考訳（メタデータ） (2022-01-26T19:59:14Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Selective Classification via One-Sided Prediction [54.05407231648068]
  片側予測(OSP)に基づく緩和は、実際に関係する高目標精度体制において、ほぼ最適カバレッジが得られるSCスキームをもたらす。 理論的には,SCとOSPのバウンダリ一般化を導出し,その手法が小さな誤差レベルでのカバレッジにおいて,技術手法の状態を強く上回ることを示す。
  論文  参考訳（メタデータ） (2020-10-15T16:14:27Z)
• Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking Fairness and Algorithm Utility [54.179859639868646]
  Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。 学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。 本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-06-15T10:08:39Z)

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。