論文の概要: A Model Ensemble-Based Post-Processing Framework for Fairness-Aware Prediction

• arxiv url: http://arxiv.org/abs/2603.18838v1
• Date: Thu, 19 Mar 2026 12:38:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.146259
• Title: A Model Ensemble-Based Post-Processing Framework for Fairness-Aware Prediction
• Title（参考訳）: フェアネス認識予測のためのモデルアンサンブルに基づく後処理フレームワーク
• Authors: Zhouting Zhao, Tin Lok James Ng,
• Abstract要約: 本稿では,モデルアンサンブルを利用した公正な予測を容易にする後処理フレームワークを提案する。 本手法は, 予測精度を維持・最小限に抑えながら, 公平性を効果的に向上することを示した。
• 参考スコア（独自算出の注目度）: 0.49273070292463234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Striking an optimal balance between predictive performance and fairness continues to be a fundamental challenge in machine learning. In this work, we propose a post-processing framework that facilitates fairness-aware prediction by leveraging model ensembling. Designed to operate independently of any specific model internals, our approach is widely applicable across various learning tasks, model architectures, and fairness definitions. Through extensive experiments spanning classification, regression, and survival analysis, we demonstrate that the framework effectively enhances fairness while maintaining, or only minimally affecting, predictive accuracy.
• Abstract（参考訳）: 予測性能と公正性の最適なバランスを取ることは、マシンラーニングにおける根本的な課題である。 本研究では,モデルアンサンブルを活用することにより,公平性を考慮した予測を容易にする後処理フレームワークを提案する。 特定のモデル内部から独立して動作するように設計された私たちのアプローチは、さまざまな学習タスク、モデルアーキテクチャ、公平性の定義に広く適用できます。 分類,回帰分析,生存分析にまたがる広範囲な実験を通じて,本フレームワークは,予測精度を維持・最小限に抑えつつ,公平性を効果的に向上することを示した。

関連論文リスト

• Fair Feature Importance Scores via Feature Occlusion and Permutation [41.73851747821022]
  公平な特徴の重要度を測定するためのモデルに依存しない2つのアプローチを提案する。 まず、特徴値の置換前後のモデルフェアネスを比較する。 第二に、与えられた特徴を伴わずに訓練されたモデルの公平性を評価する。
  論文  参考訳（メタデータ） (2026-02-09T21:02:52Z)
• Demystifying Data-Driven Probabilistic Medium-Range Weather Forecasting [63.8116386935854]
  最先端の確率的スキルは、複雑なアーキテクチャ制約や専門的な訓練を必要としないことを実証する。 直下型遅延空間と履歴条件付きローカルプロジェクタを組み合わせることで,マルチスケールの大気力学を学習するためのスケーラブルなフレームワークを提案する。 我々のフレームワーク設計は確率的推定器の選択に頑健であり、補間、拡散モデル、CRPSに基づくアンサンブルトレーニングをシームレスにサポートする。
  論文  参考訳（メタデータ） (2026-01-26T03:52:16Z)
• Tuning for Trustworthiness -- Balancing Performance and Explanation Consistency in Neural Network Optimization [49.567092222782435]
  我々は,異なる特徴帰属法間の合意として定義された,XAI整合性という新しい概念を紹介する。 予測性能と説明のバランスをとる多目的最適化フレームワークを構築した。 本研究は、トレードオフゾーンバランス性能損失とXAI整合性による強靭性向上のモデルについて、今後の研究基盤を提供する。
  論文  参考訳（メタデータ） (2025-05-12T13:19:14Z)
• General Post-Processing Framework for Fairness Adjustment of Machine Learning Models [0.0]
  本稿では,多様な機械学習タスクに適用可能な公平度調整のための新しいフレームワークを提案する。 モデルトレーニングプロセスから公平性調整を分離することにより、我々のフレームワークは平均的なモデル性能を保ちます。 提案手法の有効性をAdversarial Debiasingと比較し,本フレームワークが実世界のデータセットに対して同等の公平さ/精度のトレードオフを実現することを示す。
  論文  参考訳（メタデータ） (2025-04-22T20:06:59Z)
• Enhancing Fairness and Performance in Machine Learning Models: A Multi-Task Learning Approach with Monte-Carlo Dropout and Pareto Optimality [1.5498930424110338]
  本研究では,モデル不確実性を利用した機械学習におけるバイアス軽減手法を提案する。 提案手法では,モンテカルロ・ドロップアウト(MC)と組み合わせたマルチタスク学習(MTL)フレームワークを用いて,保護ラベルに関連する予測の不確実性を評価・緩和する。
  論文  参考訳（メタデータ） (2024-04-12T04:17:50Z)
• Towards Stable Machine Learning Model Retraining via Slowly Varying Sequences [6.067007470552307]
  そこで本研究では,リトレーニングを繰り返して安定なモデル列を見つけるためのモデルに依存しないフレームワークを提案する。 最適モデルの復元が保証される混合整数最適化の定式化を開発する。 平均的に、予測力の2%の低下は、安定性の30%の改善につながることが判明した。
  論文  参考訳（メタデータ） (2024-03-28T22:45:38Z)
• Predictive Churn with the Set of Good Models [61.00058053669447]
  本稿では,予測的不整合という2つの無関係な概念の関連性について考察する。 予測多重性(英: predictive multiplicity)は、個々のサンプルに対して矛盾する予測を生成するモデルである。 2つ目の概念である予測チャーン(英: predictive churn)は、モデル更新前後の個々の予測の違いを調べるものである。
  論文  参考訳（メタデータ） (2024-02-12T16:15:25Z)
• Minimal Value-Equivalent Partial Models for Scalable and Robust Planning in Lifelong Reinforcement Learning [56.50123642237106]
  モデルに基づく強化学習における一般的な実践は、エージェントの環境のあらゆる側面をモデル化するモデルを学ぶことである。 このようなモデルは、生涯にわたる強化学習シナリオにおいて、スケーラブルで堅牢な計画を実行するのに特に適していない、と我々は主張する。 我々は,「最小値部分モデル」と呼ぶ,環境の関連する側面のみをモデル化する新しい種類のモデルを提案する。
  論文  参考訳（メタデータ） (2023-01-24T16:40:01Z)

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。