論文の概要: Unbiased Model Prediction Without Using Protected Attribute Information

• arxiv url: http://arxiv.org/abs/2603.29270v1
• Date: Tue, 31 Mar 2026 05:11:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-01 15:25:03.161629
• Title: Unbiased Model Prediction Without Using Protected Attribute Information
• Title（参考訳）: 保護属性情報を使用しない非バイアスモデル予測
• Authors: Puspita Majumdar, Surbhi Mittal, Mayank Vatsa, Richa Singh,
• Abstract要約: 保護属性情報を必要としないバイアス軽減のための,textbfNon-Protected Attribute-based Debiasing (NPAD)アルゴリズムを提案する。 NPADアルゴリズムは、非保護属性によって提供される補助情報を利用してバイアス軽減のためのモデル最適化を行う。
• 参考スコア（独自算出の注目度）: 35.731499800425766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The problem of bias persists in the deep learning community as models continue to provide disparate performance across different demographic subgroups. Therefore, several algorithms have been proposed to improve the fairness of deep models. However, a majority of these algorithms utilize the protected attribute information for bias mitigation, which severely limits their application in real-world scenarios. To address this concern, we have proposed a novel algorithm, termed as \textbf{Non-Protected Attribute-based Debiasing (NPAD)} algorithm for bias mitigation, that does not require the protected attribute information. The proposed NPAD algorithm utilizes the auxiliary information provided by the non-protected attributes to optimize the model for bias mitigation. Further, two different loss functions, \textbf{Debiasing via Attribute Cluster Loss (DACL)} and \textbf{Filter Redundancy Loss (FRL)} have been proposed to optimize the model for fairness goals. Multiple experiments are performed on the LFWA and CelebA datasets for facial attribute prediction, and a significant reduction in bias across different gender and age subgroups is observed.
• Abstract（参考訳）: モデルが異なる階層のサブグループ間で異なるパフォーマンスを提供し続けているため、バイアスの問題はディープラーニングコミュニティで持続する。 したがって、深層モデルの公平性を改善するために、いくつかのアルゴリズムが提案されている。 しかし、これらのアルゴリズムの大半は、保護された属性情報をバイアス軽減に利用しており、現実のシナリオにおけるアプリケーションの利用を著しく制限している。 この問題に対処するため、我々は保護属性情報を必要としないバイアス軽減のための新しいアルゴリズムを「textbf{Non-Protected Attribute-based Debiasing (NPAD) アルゴリズム」として提案した。 NPADアルゴリズムは、非保護属性によって提供される補助情報を利用してバイアス軽減のためのモデル最適化を行う。 さらに,Attribute Cluster Loss (DACL) による「textbf{Debiasing」と「textbf{Filter Redundancy Loss (FRL) 」という2つの異なる損失関数が,フェアネス目標に対するモデル最適化のために提案されている。 顔属性予測のためのLFWAおよびCelebAデータセット上で複数の実験を行い、性別と年齢の異なるサブグループ間でのバイアスの顕著な減少を観察した。

関連論文リスト

• Clipped SGD Algorithms for Performative Prediction: Tight Bounds for Clipping Bias and Remedies [28.699424769503764]
  本稿では,決定依存型データ分布を用いたクリッピング勾配降下法(SGD)アルゴリズムの収束性について検討する。 我々は,SGDGDが安定解に達するのを防ぐクリッピング演算子によって生じるクリッピングバイアス(PCSGD)を特徴付ける。 また,本解析は,後者のアルゴリズムが性能設定におけるクリッピングバイアスを含まないことを示すために拡張された。
  論文  参考訳（メタデータ） (2024-04-17T02:17:05Z)
• Fairness Without Harm: An Influence-Guided Active Sampling Approach [32.173195437797766]
  我々は、モデルの精度に害を与えることなく、グループフェアネスの格差を軽減するモデルを訓練することを目指している。 公正なアクティブな学習アプローチのような現在のデータ取得方法は、通常、アノテートセンシティブな属性を必要とする。 トレーニンググループアノテーションに依存しない抽出可能なアクティブデータサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:57:38Z)
• Causality and Independence Enhancement for Biased Node Classification [56.38828085943763]
  各種グラフニューラルネットワーク(GNN)に適用可能な新しい因果性・独立性向上(CIE)フレームワークを提案する。 提案手法は,ノード表現レベルでの因果的特徴と突発的特徴を推定し,突発的相関の影響を緩和する。 我々のアプローチCIEは、GNNの性能を大幅に向上するだけでなく、最先端の debiased ノード分類法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-14T13:56:24Z)
• Fairness via Adversarial Attribute Neighbourhood Robust Learning [49.93775302674591]
  本稿では,分類ヘッドを損なうために,UnderlineRobust underlineAdversarial underlineAttribute underlineNeighbourhood (RAAN)損失を原則として提案する。
  論文  参考訳（メタデータ） (2022-10-12T23:39:28Z)
• Fair mapping [0.0]
  本稿では,保護されたグループの分布を選択対象に変換した新しい前処理手法を提案する。 我々はWasserstein GANおよびAttGANフレームワークの最近の成果を活用し、最適なデータポイントの転送を実現する。 提案手法は、データの解釈可能性を維持し、センシティブなグループを正確に定義することなく使用することができる。
  論文  参考訳（メタデータ） (2022-09-01T17:31:27Z)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• Unlearning Protected User Attributes in Recommendations with Adversarial Training [10.268369743620159]
  協調フィルタリングアルゴリズムは、特定の人口統計やユーザーの保護された情報を含む、基礎となる消費パターンをキャプチャする。 これらの符号化バイアスは、様々な階層のサブグループに提供されるコンテンツのさらなる分離に向けたレコメンデーションシステムの決定に影響を与える可能性がある。 本研究では,RSアルゴリズムの学習的相互作用表現から,ユーザの特定の保護された情報を除去する可能性と課題について検討する。
  論文  参考訳（メタデータ） (2022-06-09T13:36:28Z)
• Balancing Biases and Preserving Privacy on Balanced Faces in the Wild [50.915684171879036]
  現在の顔認識(FR)モデルには、人口統計バイアスが存在する。 さまざまな民族と性別のサブグループにまたがる偏見を測定するために、我々のバランス・フェイススをWildデータセットに導入します。 真偽と偽のサンプルペアを区別するために1点のスコアしきい値に依存すると、最適以下の結果が得られます。 本稿では,最先端ニューラルネットワークから抽出した顔特徴を用いたドメイン適応学習手法を提案する。
  論文  参考訳（メタデータ） (2021-03-16T15:05:49Z)

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。