論文の概要: Fair Regression under Demographic Parity: A Unified Framework

• arxiv url: http://arxiv.org/abs/2601.10623v1
• Date: Thu, 15 Jan 2026 17:41:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-16 19:43:19.247887
• Title: Fair Regression under Demographic Parity: A Unified Framework
• Title（参考訳）: デモグラフィック・パーティの下での公正な回帰 - 統一されたフレームワーク
• Authors: Yongzhen Feng, Weiwei Wang, Raymond K. W. Wong, Xianyang Zhang,
• Abstract要約: 私たちのフレームワークは、幅広い回帰タスクに適用できます。 公正リスク最小化器の新たな特徴を導出する。 詳細な議論を通じて,本手法の汎用性について解説する。
• 参考スコア（独自算出の注目度）: 12.36726423996741
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a unified framework for fair regression tasks formulated as risk minimization problems subject to a demographic parity constraint. Unlike many existing approaches that are limited to specific loss functions or rely on challenging non-convex optimization, our framework is applicable to a broad spectrum of regression tasks. Examples include linear regression with squared loss, binary classification with cross-entropy loss, quantile regression with pinball loss, and robust regression with Huber loss. We derive a novel characterization of the fair risk minimizer, which yields a computationally efficient estimation procedure for general loss functions. Theoretically, we establish the asymptotic consistency of the proposed estimator and derive its convergence rates under mild assumptions. We illustrate the method's versatility through detailed discussions of several common loss functions. Numerical results demonstrate that our approach effectively minimizes risk while satisfying fairness constraints across various regression settings.
• Abstract（参考訳）: 本稿では,リスク最小化問題として定式化された公正回帰作業のための統一的枠組みを提案する。 特定の損失関数に制限されたり、非凸最適化に挑戦する既存の多くのアプローチとは異なり、我々のフレームワークは幅広い回帰タスクに適用できる。 例えば、二乗損失の線形回帰、クロスエントロピー損失のバイナリ分類、ピンボール損失の量子回帰、ハマー損失のロバスト回帰などがある。 一般損失関数に対する計算効率の良い推定手順を導出するフェアリスク最小化器の新たな特徴付けを導出する。 理論的には,提案した推定器の漸近的整合性を確立し,その収束率を軽度な仮定で導出する。 いくつかの共通損失関数の詳細な議論を通じて,本手法の汎用性について解説する。 提案手法は, 各種回帰設定における公正性制約を満たすとともに, リスクを効果的に最小化することを示す。

関連論文リスト

• Robust low-rank estimation with multiple binary responses using pairwise AUC loss [0.0]
  複数のバイナリ応答は、多くの現代のデータ分析問題に現れる。 低ランクモデルはタスク間の遅延依存をエンコードする自然な方法を提供する。 既存のバイナリデータの方法は概ね可能性ベースであり、ポイントワイズ分類に重点を置いている。
  論文  参考訳（メタデータ） (2026-01-13T15:00:10Z)
• Variation-Bounded Loss for Noise-Tolerant Learning [105.20373602308284]
  本稿では,損失関数のロバスト性に関連する新しい特性として,変分比を導入する。 本稿では,有界変動比を特徴とする,ロバストな損失関数である変分境界損失(VBL)を新たに提案する。
  論文  参考訳（メタデータ） (2025-11-15T10:15:29Z)
• Lower Bounds on Adversarial Robustness for Multiclass Classification with General Loss Functions [4.562056072136493]
  任意の損失関数の下での多クラス設定における逆ロバストな分類について考察する。 学習者に依存しない頑健なリスク問題の二重化と偏心化を導出する。
  論文  参考訳（メタデータ） (2025-10-02T12:42:36Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Domain Generalization without Excess Empirical Risk [83.26052467843725]
  一般的なアプローチは、一般化を捉え、ペナルティと共同で経験的リスクを最小化するために、データ駆動の代理ペナルティを設計することである。 我々は、このレシピの重大な失敗モードは、共同最適化における誤ったペナルティや難しさによる過度なリスクであると主張している。 我々は,この問題を解消するアプローチを提案し,経験的リスクと刑罰を同時に最小化する代わりに,経験的リスクの最適性の制約の下でのペナルティを最小化する。
  論文  参考訳（メタデータ） (2023-08-30T08:46:46Z)
• Errors-in-variables Fr\'echet Regression with Low-rank Covariate Approximation [2.1756081703276]
  Fr'echet回帰は、非ユークリッド応答変数を含む回帰分析のための有望なアプローチとして登場した。 提案手法は,大域的Fr'echet回帰と主成分回帰の概念を組み合わせて,回帰推定器の効率と精度を向上させることを目的とする。
  論文  参考訳（メタデータ） (2023-05-16T08:37:54Z)
• Vector-Valued Least-Squares Regression under Output Regularity Assumptions [73.99064151691597]
  最小二乗回帰問題を無限次元出力で解くために,還元ランク法を提案し,解析する。 提案手法の学習バウンダリを導出し、フルランク手法と比較して統計的性能の設定を改善する研究を行う。
  論文  参考訳（メタデータ） (2022-11-16T15:07:00Z)
• Mitigating multiple descents: A model-agnostic framework for risk monotonization [84.6382406922369]
  クロスバリデーションに基づくリスクモノトナイズのための一般的なフレームワークを開発する。 本稿では,データ駆動方式であるゼロステップとワンステップの2つの手法を提案する。
  論文  参考訳（メタデータ） (2022-05-25T17:41:40Z)

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。