論文の概要: RISE: Interactive Visual Diagnosis of Fairness in Machine Learning Models

• arxiv url: http://arxiv.org/abs/2602.04339v1
• Date: Wed, 04 Feb 2026 09:01:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-05 19:45:11.442607
• Title: RISE: Interactive Visual Diagnosis of Fairness in Machine Learning Models
• Title（参考訳）: RISE: 機械学習モデルにおけるフェアネスのインタラクティブビジュアル診断
• Authors: Ray Chen, Christan Grant,
• Abstract要約: textitRISE(Residual Inspection through Sorted Evaluation)は,分類された残基を解釈可能なパターンに変換するインタラクティブな可視化ツールである。 残留曲線構造を形式的公正性の概念に結合することにより、RISEは局所的な不均一性診断、環境間の部分群比較、隠された公正性問題の検出を可能にする。
• 参考スコア（独自算出の注目度）: 3.409008933025072
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Evaluating fairness under domain shift is challenging because scalar metrics often obscure exactly where and how disparities arise. We introduce \textit{RISE} (Residual Inspection through Sorted Evaluation), an interactive visualization tool that converts sorted residuals into interpretable patterns. By connecting residual curve structures to formal fairness notions, RISE enables localized disparity diagnosis, subgroup comparison across environments, and the detection of hidden fairness issues. Through post-hoc analysis, RISE exposes accuracy-fairness trade-offs that aggregate statistics miss, supporting more informed model selection.
• Abstract（参考訳）: ドメインシフトの下での公平さを評価することは難しい。 分類された残基を解釈可能なパターンに変換するインタラクティブな可視化ツールである「textit{RISE} (Residual Inspection through Sorted Evaluation)」を紹介した。 残留曲線構造を形式的公正性の概念に結合することにより、RISEは局所的な不均一性診断、環境間の部分群比較、隠された公正性問題の検出を可能にする。 ポストホック分析を通じて、RISEは統計を集計する精度と公正のトレードオフを明らかにし、より情報のあるモデル選択をサポートする。

関連論文リスト

• Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
  本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。 このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。 以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-23T12:22:02Z)
• Data-Driven Analysis of Intersectional Bias in Image Classification: A Framework with Bias-Weighted Augmentation [0.0]
  本稿では,定量的フェアネス指標と解釈可能性ツールを組み合わせ,モデル予測におけるバイアスパターンの同定を行うIFEF(Intersectional Fairness Evaluation Framework)を提案する。 次に、サブグループ分布統計に基づいて変換強度を適応する新しいデータ拡張戦略であるバイアス重み拡張(BWA)を提案する。 5つのオブジェクトクラスを持つOpen Images V7データセットの実験では、BWAは、表現不足のクラス環境交差点の精度を最大24ポイント向上することを示した。
  論文  参考訳（メタデータ） (2025-10-17T09:10:57Z)
• Understanding challenges to the interpretation of disaggregated evaluations of algorithmic fairness [49.35494016290887]
  関係する人口を表わすが、実世界の格差を反映するデータである場合、サブグループ間での平等なパフォーマンスは、信頼できない公平さの尺度であることを示す。 本フレームワークでは, 因果関係の明示的な仮定と分析を相補して, 相反や分布変化の制御を提案する。
  論文  参考訳（メタデータ） (2025-06-04T17:40:31Z)
• FAIR-SIGHT: Fairness Assurance in Image Recognition via Simultaneous Conformal Thresholding and Dynamic Output Repair [4.825037489691159]
  本稿では,コンフォメーション予測と動的出力修復機構を組み合わせることで,コンピュータビジョンシステムの公平性を確保するためのポストホックフレームワークを提案する。 提案手法は,予測誤差と公平性違反を同時に評価する,公平性を考慮した非整合性スコアを算出する。 新しい画像の非整合スコアがしきい値を超えると、FAIR-SIGHTは分類のためのロジットシフトや検出のための信頼度補正など、対象とする修正調整を実行する。
  論文  参考訳（メタデータ） (2025-04-10T02:23:06Z)
• Counterfactual Fairness through Transforming Data Orthogonal to Bias [7.109458605736819]
  我々は新しいデータ前処理アルゴリズムOrthogonal to Bias (OB)を提案する。 OBは、連続的な敏感な変数群の影響を排除し、機械学習アプリケーションにおける反ファクトフェアネスを促進するように設計されている。 OBはモデルに依存しないため、幅広い機械学習モデルやタスクに適用できる。
  論文  参考訳（メタデータ） (2024-03-26T16:40:08Z)
• Evaluating Probabilistic Classifiers: The Triptych [62.997667081978825]
  本稿では,予測性能の異なる相補的な側面に焦点をあてた診断グラフィックのトリチチを提案し,研究する。 信頼性図は校正に対処し、受信動作特性(ROC)曲線は識別能力を診断し、マーフィー図は全体的な予測性能と価値を視覚化する。
  論文  参考訳（メタデータ） (2023-01-25T19:35:23Z)
• Learning Bias-Invariant Representation by Cross-Sample Mutual Information Minimization [77.8735802150511]
  対象タスクが誤用したバイアス情報を除去するために,クロスサンプル対逆脱バイアス法(CSAD)を提案する。 相関測定は, 対向的偏り評価において重要な役割を担い, クロスサンプル型相互情報推定器によって行われる。 我々は,提案手法の最先端手法に対する利点を検証するために,公開データセットの徹底的な実験を行った。
  論文  参考訳（メタデータ） (2021-08-11T21:17:02Z)
• On Disentangled Representations Learned From Correlated Data [59.41587388303554]
  相関データに対する最も顕著な絡み合うアプローチの挙動を解析することにより、現実のシナリオにギャップを埋める。 本研究では,データセットの体系的相関が学習され,潜在表現に反映されていることを示す。 また、トレーニング中の弱い監督や、少数のラベルで事前訓練されたモデルを修正することで、これらの潜伏相関を解消する方法を実証する。
  論文  参考訳（メタデータ） (2020-06-14T12:47:34Z)

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。