論文の概要: Fairness Constraints in High-Dimensional Generalized Linear Models
- arxiv url: http://arxiv.org/abs/2604.16610v1
- Date: Fri, 17 Apr 2026 18:06:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.103838
- Title: Fairness Constraints in High-Dimensional Generalized Linear Models
- Title（参考訳）: 高次元一般化線形モデルにおける公正制約
- Authors: Yixiao Lin, James Booth,
- Abstract要約: 本稿では,補助的特徴から感性特性を推定し,公平性制約をモデルトレーニングに統合するフレームワークを提案する。
提案手法は,予測精度を維持しながらバイアスを軽減し,公平性を考慮した学習のための実践的ソリューションを提供する。
- 参考スコア（独自算出の注目度）: 0.030261056927077812
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning models often inherit biases from historical data, raising critical concerns about fairness and accountability. Conventional fairness interventions typically require access to sensitive attributes like gender or race, but privacy and legal restrictions frequently limit their use. To address this challenge, we propose a framework that infers sensitive attributes from auxiliary features and integrates fairness constraints into model training. Our approach mitigates bias while preserving predictive accuracy, offering a practical solution for fairness-aware learning. Empirical evaluations validate its effectiveness, contributing to the advancement of more equitable algorithmic decision-making.
- Abstract（参考訳）: 機械学習モデルは、しばしば歴史的データからのバイアスを継承し、公正性と説明責任に関する重要な懸念を提起する。
従来の公正な介入は通常、性別や人種のような繊細な属性へのアクセスを必要とするが、プライバシーと法的制限はしばしば使用を制限する。
この課題に対処するため、補助的特徴から感度特性を推定し、公平性制約をモデルトレーニングに統合するフレームワークを提案する。
提案手法は,予測精度を維持しながらバイアスを軽減し,公平性を考慮した学習のための実践的ソリューションを提供する。
経験的評価は、その効果を検証し、より公平なアルゴリズムによる意思決定の進展に寄与する。
関連論文リスト
- Learning Fair Representations with Kolmogorov-Arnold Networks [0.08594140167290099]
予測モデルは、しばしば辺縁化群に対する差別的行動を示す。
既存の公正学習モデルはバイアスを軽減することを目的としていますが、公平性と正確性の間の最適なトレードオフを達成することは依然として課題です。
我々は,KAN(Kolmogorov-Arnold Networks)を公正な対角学習フレームワークに統合することを提案する。
論文 参考訳（メタデータ） (2025-11-14T07:51:56Z) - Fairness Overfitting in Machine Learning: An Information-Theoretic Perspective [28.68227117674221]
本稿では,情報理論レンズを用いたフェアネス一般化誤差の解析のための理論的枠組みを提案する。
実験結果から,様々なフェアネス認識学習アルゴリズムにまたがる境界の厳密性と実践的妥当性を検証した。
論文 参考訳（メタデータ） (2025-06-09T15:24:56Z) - Towards counterfactual fairness through auxiliary variables [11.756940915048713]
変数を動機とする新しい因果推論フレームワークEXOCを紹介する。
本フレームワークは, ファクトフェアネスに寄与する補助ノードと制御ノードを明示的に定義する。
合成および実世界のデータセットを用いて評価を行い,EXOCの優位性を検証した。
論文 参考訳（メタデータ） (2024-12-06T04:23:05Z) - Parametric Fairness with Statistical Guarantees [0.46040036610482665]
我々は、予測に分布特性を組み込むためのデモグラフィックパリティの概念を拡張し、専門家の知識を公正なソリューションで利用できるようにする。
我々は、賃金の実践的な例を通して、この新しい指標の使用を説明し、実践的な課題に効率的に対処するパラメトリック手法を開発する。
論文 参考訳（メタデータ） (2023-10-31T14:52:39Z) - Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。
カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。
本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
論文 参考訳（メタデータ） (2023-07-17T04:08:29Z) - Group Fairness with Uncertainty in Sensitive Attributes [34.608332397776245]
公正な予測モデルは、ハイテイクなアプリケーションにおける少数派グループに対する偏見のある決定を緩和するために不可欠である。
本稿では, 感度特性の不確実性にも拘わらず, フェアネスの目標レベルを達成するブートストラップに基づくアルゴリズムを提案する。
本アルゴリズムは離散的属性と連続的属性の両方に適用可能であり,実世界の分類や回帰作業に有効である。
論文 参考訳（メタデータ） (2023-02-16T04:33:00Z) - Fairness in Matching under Uncertainty [78.39459690570531]
アルゴリズム的な二面市場は、こうした設定における公平性の問題に注意を向けている。
我々は、利益の不確実性を尊重する両面の市場設定において、個々人の公正性の概念を公理化する。
そこで我々は,配当よりも公平なユーティリティ最大化分布を求めるために,線形プログラミングフレームワークを設計する。
論文 参考訳（メタデータ） (2023-02-08T00:30:32Z) - Measuring Fairness Under Unawareness of Sensitive Attributes: A
Quantification-Based Approach [131.20444904674494]
センシティブな属性の無意識下でのグループフェアネスを測定する問題に取り組む。
定量化手法は, フェアネスと無意識の問題に対処するのに特に適していることを示す。
論文 参考訳（メタデータ） (2021-09-17T13:45:46Z) - Differentially Private and Fair Deep Learning: A Lagrangian Dual
Approach [54.32266555843765]
本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。
この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
論文 参考訳（メタデータ） (2020-09-26T10:50:33Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z)
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。