論文の概要: Extending Fair Null-Space Projections for Continuous Attributes to Kernel Methods

• arxiv url: http://arxiv.org/abs/2511.03304v1
• Date: Wed, 05 Nov 2025 09:17:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-06 18:19:32.391976
• Title: Extending Fair Null-Space Projections for Continuous Attributes to Kernel Methods
• Title（参考訳）: カーネル法への連続属性のための公平なヌル空間投影の拡張
• Authors: Felix Störck, Fabian Hinder, Barbara Hammer,
• Abstract要約: 公正の概念は一般に潜在的なバイアスを評価するために保護属性に依存している。 特に回帰を伴う連続的な属性に関する文献は少ない。 我々はこれをカーネルメソッドに一般化し、スコープを大幅に拡張することで改善する。 我々は,SVR(Support Vector Regression)と組み合わせた新しいアプローチによって,複数のデータセット間での競合的ないし改善されたパフォーマンスを実現することを実証した。
• 参考スコア（独自算出の注目度）: 6.978294051213784
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the on-going integration of machine learning systems into the everyday social life of millions the notion of fairness becomes an ever increasing priority in their development. Fairness notions commonly rely on protected attributes to assess potential biases. Here, the majority of literature focuses on discrete setups regarding both target and protected attributes. The literature on continuous attributes especially in conjunction with regression -- we refer to this as \emph{continuous fairness} -- is scarce. A common strategy is iterative null-space projection which as of now has only been explored for linear models or embeddings such as obtained by a non-linear encoder. We improve on this by generalizing to kernel methods, significantly extending the scope. This yields a model and fairness-score agnostic method for kernel embeddings applicable to continuous protected attributes. We demonstrate that our novel approach in conjunction with Support Vector Regression (SVR) provides competitive or improved performance across multiple datasets in comparisons to other contemporary methods.
• Abstract（参考訳）: 機械学習システムの日々の社会生活への統合が進む中で、公正性の概念は開発においてますます優先される。 公正の概念は一般に潜在的なバイアスを評価するために保護属性に依存している。 ここでは、文献の大部分は、ターゲット属性とプロテクト属性の両方に関する離散的な設定に焦点を当てている。 特に回帰を伴う連続的な属性に関する文献 -- 私たちはこれを 'emph{continuous fairness} と呼ぶ -- は乏しい。 一般的な戦略はイテレーティブなヌル空間射影であり、これは現在、線形モデルや非線型エンコーダによって得られるような埋め込みに対してのみ探索されている。 我々はこれをカーネルメソッドに一般化し、スコープを大幅に拡張することで改善する。 これにより、連続的に保護された属性に適用可能なカーネル埋め込みのモデルとフェアネススコアに依存しない手法が得られる。 我々は,SVR(Support Vector Regression)と組み合わせた新しいアプローチが,他の現代的な手法と比較して,複数のデータセット間での競合的ないし改善されたパフォーマンスを実現することを実証した。

関連論文リスト

• Continuous Visual Autoregressive Generation via Score Maximization [69.67438563485887]
  本稿では,ベクトル量子化なしで直接視覚的自己回帰生成を可能にする連続VARフレームワークを提案する。 このフレームワークの中で必要なのは、厳密な適切なスコアを選択し、最適化のトレーニング目標として設定することだけです。
  論文  参考訳（メタデータ） (2025-05-12T17:58:14Z)
• Deep Fair Learning: A Unified Framework for Fine-tuning Representations with Sufficient Networks [8.616743904155419]
  本研究では,十分な次元削減と深層学習を統合し,公正かつ情報的表現を構築するフレームワークを提案する。 微調整中に新たなペナルティ項を導入することにより、センシティブな属性と学習された表現との間の条件付き独立性を強制する。 提案手法は, 公平性と実用性とのバランスが良好であり, 最先端のベースラインを著しく上回っている。
  論文  参考訳（メタデータ） (2025-04-08T22:24:22Z)
• Enforcing Conditional Independence for Fair Representation Learning and Causal Image Generation [13.841888171417017]
  条件付き独立性(CI)制約は、機械学習における公平性の定義と評価に不可欠である。 エンコーダアーキテクチャに適用可能な,新たなトレーニングパラダイムを導入する。
  論文  参考訳（メタデータ） (2024-04-21T23:34:45Z)
• SimPro: A Simple Probabilistic Framework Towards Realistic Long-Tailed Semi-Supervised Learning [49.94607673097326]
  ラベルなしデータの分散に関する前提を前提としない、高度に適応可能なフレームワークをSimProとして提案する。 我々のフレームワークは確率モデルに基づいており、期待最大化アルゴリズムを革新的に洗練する。 本手法は,様々なベンチマークやデータ分散シナリオにまたがる一貫した最先端性能を示す。
  論文  参考訳（メタデータ） (2024-02-21T03:39:04Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• Joint Embedding Self-Supervised Learning in the Kernel Regime [21.80241600638596]
  自己教師付き学習(SSL)は、データを分類するためのラベルにアクセスすることなく、データの有用な表現を生成する。 我々はこのフレームワークを拡張し,カーネルの機能空間に作用する線形写像によって埋め込みを構築するカーネル手法に基づくアルゴリズムを組み込む。 カーネルモデルを小さなデータセットで分析し、自己教師付き学習アルゴリズムの共通特徴を特定し、下流タスクにおける性能に関する理論的洞察を得る。
  論文  参考訳（メタデータ） (2022-09-29T15:53:19Z)
• Time to Focus: A Comprehensive Benchmark Using Time Series Attribution Methods [4.9449660544238085]
  本論文は時系列解析といくつかの最先端属性手法のベンチマークに焦点をあてる。 本実験では, 勾配および摂動に基づく帰属法について検討した。 その結果,最も適した帰属法を選択することは,所望のユースケースと強く相関していることが示唆された。
  論文  参考訳（メタデータ） (2022-02-08T10:06:13Z)

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。