論文の概要: Counterfactual Fairness with Graph Uncertainty

• arxiv url: http://arxiv.org/abs/2601.03203v1
• Date: Tue, 06 Jan 2026 17:33:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-07 17:02:13.045224
• Title: Counterfactual Fairness with Graph Uncertainty
• Title（参考訳）: グラフの不確かさによる対物フェアネス
• Authors: Davi Valério, Chrysoula Zerva, Mariana Pinto, Ricardo Santos, André Carreiro,
• Abstract要約: グラフ不確実性(CF-GU)は、因果グラフをCFに特定する不確実性を含むバイアス評価手法である。 合成データに関する実験は、ドメイン知識の仮定がCFの監査をどのように支援するか、あるいは反証するかを示している。 実世界のデータに関する実験は、最小限のドメイン知識の制約を課しても、信頼性の高いよく知られたバイアスを指摘します。
• 参考スコア（独自算出の注目度）: 4.776608524605721
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Evaluating machine learning (ML) model bias is key to building trustworthy and robust ML systems. Counterfactual Fairness (CF) audits allow the measurement of bias of ML models with a causal framework, yet their conclusions rely on a single causal graph that is rarely known with certainty in real-world scenarios. We propose CF with Graph Uncertainty (CF-GU), a bias evaluation procedure that incorporates the uncertainty of specifying a causal graph into CF. CF-GU (i) bootstraps a Causal Discovery algorithm under domain knowledge constraints to produce a bag of plausible Directed Acyclic Graphs (DAGs), (ii) quantifies graph uncertainty with the normalized Shannon entropy, and (iii) provides confidence bounds on CF metrics. Experiments on synthetic data show how contrasting domain knowledge assumptions support or refute audits of CF, while experiments on real-world data (COMPAS and Adult datasets) pinpoint well-known biases with high confidence, even when supplied with minimal domain knowledge constraints.
• Abstract（参考訳）: 機械学習(ML)モデルのバイアスを評価することは、信頼できる堅牢なMLシステムを構築する上で鍵となる。 CF監査(Counterfactual Fairness)は、MLモデルのバイアスを因果的なフレームワークで測定することを可能にするが、その結論は、現実のシナリオにおいて確実さがほとんど知られていない単一の因果グラフに依存している。 本稿では、因果グラフをCFに特定する不確実性を含むバイアス評価手法であるグラフ不確実性(CF-GU)を用いたCFを提案する。 CF-GU i) ドメイン知識制約の下で因果探索アルゴリズムをブートストラップして、可塑性非巡回グラフ(DAG)の袋を生成する。 (ii)正規化シャノンエントロピーとグラフの不確かさを定量化し、 (iii)CFメトリクスの信頼性バウンダリを提供する。 合成データに関する実験は、ドメイン知識の仮定がCFの監査をどのように支援するか、あるいは反証しているかを示し、実際のデータ(COMPASとアダルトデータセット)の実験は、最小限のドメイン知識制約を課しても、よく知られたバイアスを高い信頼性で特定する。

関連論文リスト

• Contrastive Normalizing Flows for Uncertainty-Aware Parameter Estimation [0.0]
  データから物理パラメータを推定することは、物理科学における機械学習(ML)の重要な応用である。 本稿では,HigsML Uncertainty Challengeデータセット上で最高のパフォーマンスを実現するContrastive Normalizing Flows(CNFs)に基づく新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2025-05-13T16:14:34Z)
• dcFCI: Robust Causal Discovery Under Latent Confounding, Unfaithfulness, and Mixed Data [1.9797215742507548]
  本稿では,最初の非パラメトリックスコアを導入し,部分アンセストラルグラフと観測データとの整合性を評価する。 次にデータ互換のFast Causal Inference (dcFCI)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T07:05:19Z)
• Causally Fair Node Classification on Non-IID Graph Data [9.363036392218435]
  本稿では,フェアネスを考慮したMLアルゴリズムにおける課題について述べる。 非IID、グラフベースの設定の見落としている領域に取り組みます。 因果推論のためのメッセージパッシング変分オートエンコーダを開発した。
  論文  参考訳（メタデータ） (2025-05-03T02:05:51Z)
• New Statistical Framework for Extreme Error Probability in High-Stakes Domains for Reliable Machine Learning [4.14360329494344]
  極端な価値理論(EVT)は、最悪のケースの失敗を推定するための厳密なアプローチを提供する統計フレームワークである。 EVTを合成および実世界のデータセットに適用することにより、破滅的故障確率のロバストな推定を可能にする。 この作業は、EVTをモデルの信頼性を評価し、新しいテクノロジにおけるより安全なAIデプロイメントを保証するための基本的なツールとして確立する。
  論文  参考訳（メタデータ） (2025-03-31T16:08:11Z)
• Advancing Counterfactual Inference through Nonlinear Quantile Regression [77.28323341329461]
  ニューラルネットワークで実装された効率的かつ効果的な対実的推論のためのフレームワークを提案する。 提案手法は、推定された反事実結果から見つからないデータまでを一般化する能力を高める。 複数のデータセットで実施した実証実験の結果は、我々の理論的な主張に対する説得力のある支持を提供する。
  論文  参考訳（メタデータ） (2023-06-09T08:30:51Z)
• Uncertainty in Extreme Multi-label Classification [81.14232824864787]
  eXtreme Multi-label Classification (XMC)は、Webスケールの機械学習アプリケーションにおいて、ビッグデータの時代において不可欠なタスクである。 本稿では,確率的アンサンブルに基づく木系XMCモデルの一般的な不確実性定量化手法について検討する。 特に,XMCにおけるラベルレベルおよびインスタンスレベルの不確実性を解析し,ビームサーチに基づく一般的な近似フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-10-18T20:54:33Z)
• BayesIMP: Uncertainty Quantification for Causal Data Fusion [52.184885680729224]
  本研究では,複数の因果グラフに関連するデータセットを組み合わせ,対象変数の平均処理効果を推定する因果データ融合問題について検討する。 本稿では、確率積分とカーネル平均埋め込みのアイデアを組み合わせて、再生されたカーネルヒルベルト空間における干渉分布を表現するフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-07T10:14:18Z)
• Incorporating Causal Graphical Prior Knowledge into Predictive Modeling via Simple Data Augmentation [92.96204497841032]
  因果グラフ(CG)は、データ分散の背後にあるデータ生成プロセスの知識のコンパクトな表現である。 本研究では,条件付き独立性(CI)関係の事前知識を活用可能なモデルに依存しないデータ拡張手法を提案する。 本手法は,小データシステムにおける予測精度の向上に有効であることを実験的に示した。
  論文  参考訳（メタデータ） (2021-02-27T06:13:59Z)
• Semi-supervised Learning Meets Factorization: Learning to Recommend with Chain Graph Model [16.007141894770054]
  潜在因子モデル(LFM)は、優れたパフォーマンスとスケーラビリティのために、レコメンデーションシステムにおいて多くの注目を集めています。 半教師付き学習(SSL)は、ラベル(評価)の空間性の問題を軽減する効果的な方法を提供する。 SSL と LFM を結合する新しい確率的連鎖グラフモデル (CGM) を提案する。
  論文  参考訳（メタデータ） (2020-03-05T06:34:53Z)

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。