論文の概要: Shapley meets Rawls: an integrated framework for measuring and explaining unfairness

• arxiv url: http://arxiv.org/abs/2603.26476v2
• Date: Mon, 30 Mar 2026 06:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-31 13:48:18.844786
• Title: Shapley meets Rawls: an integrated framework for measuring and explaining unfairness
• Title（参考訳）: ShapleyがRawlsと出会う:不公平を計測し説明するための統合フレームワーク
• Authors: Fadoua Amri-Jouidel, Emmanuel Kemel, Stéphane Mussard,
• Abstract要約: 本稿では,不公平性の定義と説明にShapley値を用いることができることを示す。 このフレームワークは、不公平さを見積もり、それに寄与する機能と同様に推論する統合されたフレームワークを提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Explainability and fairness have mainly been considered separately, with recent exceptions trying the explain the sources of unfairness. This paper shows that the Shapley value can be used to both define and explain unfairness, under standard group fairness criteria. This offers an integrated framework to estimate and derive inference on unfairness as-well-as the features that contribute to it. Our framework can also be extended from Shapley values to the family of Efficient-Symmetric-Linear (ESL) values, some of which offer more robust definitions of fairness, and shorter computation times. An illustration is run on the Census Income dataset from the UCI Machine Learning Repository. Our approach shows that ``Age", ``Number of hours" and ``Marital status" generate gender unfairness, using shorter computation time than traditional Bootstrap tests.
• Abstract（参考訳）: 説明可能性と公平性は主に別々に検討されており、近年の例外は不公平性の原因を説明しようとするものである。 本稿では,標準群公平度基準の下で,Shapley値が不公平性の定義と説明の両方に利用できることを示す。 このフレームワークは、不公平さを見積もり、それに寄与する機能として推論する統合されたフレームワークを提供します。 私たちのフレームワークは、Shapley値からEfficient-Symmetric-Linear(ESL)値のファミリーに拡張することも可能です。 イラストは、UCI Machine Learning RepositoryのCensus Incomeデータセット上で実行される。 我々のアプローチは,従来のBootstrapテストよりも短い計算時間を用いて,‘Age’, ‘`Number of hours’, ‘`Marital status’が男女不公平を生じさせることを示している。

関連論文リスト

• FairSHAP: Preprocessing for Fairness Through Attribution-Based Data Augmentation [10.178775144295143]
  既存の前処理アプローチでは、不公平の原因となる機能やインスタンスを特定するための透過的なメカニズムが欠如している。 FairSHAPは、Shapley値の属性を利用して、個人とグループの両方の公正性を改善する新しい前処理フレームワークである。 モデルに依存しない透明な方法として、FairSHAPは既存の機械学習パイプラインにシームレスに統合し、バイアスの原因に関する実用的な洞察を提供する。
  論文  参考訳（メタデータ） (2025-05-16T10:48:19Z)
• Probabilistic Contrastive Learning for Long-Tailed Visual Recognition [78.70453964041718]
  細長い分布は、少数の少数派が限られた数のサンプルを含む実世界のデータにしばしば現れる。 近年の研究では、教師付きコントラスト学習がデータ不均衡を緩和する有望な可能性を示していることが明らかになっている。 本稿では,特徴空間の各クラスからのサンプルデータ分布を推定する確率論的コントラスト学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-03-11T13:44:49Z)
• Causal Context Connects Counterfactual Fairness to Robust Prediction and Group Fairness [15.83823345486604]
  我々は、公正性と正確性の間に根本的なトレードオフがないことを示すことによって、事実的公正を動機付けます。 対実フェアネスは、比較的単純なグループフェアネスの測定によってテストされることがある。
  論文  参考訳（メタデータ） (2023-10-30T16:07:57Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Metrizing Fairness [5.323439381187456]
  本研究では,2つの集団集団の個人に有意な影響を及ぼす教師付き学習問題について検討した。 我々は、統計パリティ(SP)のような群フェアネス基準に関して公正な予測子を求める。 本稿では,厳密なSP制約が保証される条件を特定し,予測精度を向上させる。
  論文  参考訳（メタデータ） (2022-05-30T12:28:10Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• Making ML models fairer through explanations: the case of LimeOut [7.952582509792971]
  アルゴリズムによる決定は今では日常的に使われており、複雑でバイアスのかかる機械学習(ML)プロセスに基づいている。 これは、偏見のある決定が個人や社会全体に与える影響を考えると、いくつかの懸念を提起する。 モデルフェアネスを改善するために,「フィーチャードロップアウト」というシンプルなアイデアと「アンサンブルアプローチ」を併用する方法について述べる。
  論文  参考訳（メタデータ） (2020-11-01T19:07:11Z)
• Two Simple Ways to Learn Individual Fairness Metrics from Data [47.6390279192406]
  個人的公正はアルゴリズム的公正の直感的な定義であり、グループ的公正の欠点のいくつかに対処する。 多くのMLタスクに対して広く受け入れられている公正な基準が欠如していることが、個人の公正を広く採用する大きな障壁である。 学習した指標による公正なトレーニングが、性別や人種的偏見に影響を受けやすい3つの機械学習タスクの公平性を改善することを実証的に示す。
  論文  参考訳（メタデータ） (2020-06-19T23:47:15Z)

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。