論文の概要: MIFair: A Mutual-Information Framework for Intersectionality and Multiclass Fairness

• arxiv url: http://arxiv.org/abs/2604.28030v1
• Date: Thu, 30 Apr 2026 15:46:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-01 16:31:54.174616
• Title: MIFair: A Mutual-Information Framework for Intersectionality and Multiclass Fairness
• Title（参考訳）: MIFair: インターセクション性とマルチクラスフェアネスのための相互情報フレームワーク
• Authors: Jeanne Monnier, Thomas George, Frédéric Guyard, Christèle Tarnec, Marios Kountouris,
• Abstract要約: 相互情報に基づくバイアス評価と緩和のための統合フレームワークMIFairを紹介する。 MIFairはフレキシブルなメトリックテンプレートと、Prejudice Removerにインスパイアされたプロセス内緩和方法を提供する。 また,MIFairは,未適応なマルチ属性シナリオを含むバイアスを効果的に低減することを示す。
• 参考スコア（独自算出の注目度）: 7.889753821282368
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness in machine learning remains challenging due to its ethical complexity, the absence of a universal definition, and the need for context-specific bias metrics. Existing methods still struggle with intersectionality, multiclass settings, and limited flexibility and generality. To address these gaps, we introduce MIFair, a unified framework for bias assessment and mitigation based on mutual information. MIFair provides a flexible metric template and an in-processing mitigation method inspired by the Prejudice Remover, defining group fairness as statistical independence between prediction-derived variables and sensitive attributes. We further strengthen its information-theoretic foundation by establishing equivalences with widely used fairness notions such as independence and separation. MIFair naturally supports intersectionality, complex subgroup structures, and multiclass classification and employs regularization-based training to reduce bias according to the selected metric. Its key advantage is its versatility: it consolidates diverse fairness requirements into a single coherent framework, enabling consistent benchmarking and simplifying practical use. Experiments on real-world tabular and image datasets show that MIFair effectively reduces bias, including previously unaddressed multi-attribute scenarios, while maintaining strong predictive performance across the evaluated settings.
• Abstract（参考訳）: 機械学習の公正性は、その倫理的複雑さ、普遍的な定義の欠如、文脈固有のバイアスメトリクスの必要性など、依然として困難である。 既存の方法はまだ、交差性、マルチクラス設定、柔軟性と汎用性に苦慮している。 これらのギャップに対処するために、相互情報に基づくバイアス評価と緩和のための統合されたフレームワークMIFairを紹介する。 MIFairは、Prejudice Removerにインスパイアされたフレキシブルなメトリックテンプレートとプロセス内緩和方法を提供し、グループフェアネスを予測派生変数と機密属性の間の統計的独立性として定義する。 我々は、独立や分離など、広く使われている公平な概念と等価性を確立することで、情報理論の基礎をさらに強化する。 MIFairは自然に交叉性、複雑な部分群構造、および多クラス分類をサポートし、選択された計量に従ってバイアスを減らすために正規化に基づくトレーニングを採用している。 多様な公正要件を単一の一貫性のあるフレームワークに統合し、一貫したベンチマークを可能にし、実用的な使用を単純化する。 実世界のタブやイメージデータセットの実験では、MIFairは評価された設定全体にわたって強力な予測性能を維持しながら、これまで規定されていなかったマルチ属性シナリオを含むバイアスを効果的に低減している。

関連論文リスト

• FairMT: Fairness for Heterogeneous Multi-Task Learning [39.84512237923804]
  不完全な監督下での3つのタスクタイプすべてに対応するフェアネス対応のMTLフレームワークであるFairMTを紹介する。 中心となる非対称不均一公正制約機構は、タスク依存の不斉違反を統一公正制約に集約する。 3つの同質かつ異質なMTLベンチマークにおいて、FairMTは、優れたタスクユーティリティを維持しながら、一定の公平性を達成する。
  論文  参考訳（メタデータ） (2025-11-29T12:44:51Z)
• Learning Fair Graph Representations with Multi-view Information Bottleneck [21.193224439158094]
  グラフニューラルネットワーク(GNN)は、ノードの特徴と構造にメッセージを渡すことで、リレーショナルデータを排他的に処理する。 多くの公正な方法はバイアスを単一の情報源として扱い、異なる属性や構造効果を無視している。 グラフを特徴、構造、拡散ビューに分解する多視点情報ボトルネックフレームワークであるFairMIBを提案する。
  論文  参考訳（メタデータ） (2025-10-29T02:02:12Z)
• MMM-fair: An Interactive Toolkit for Exploring and Operationalizing Multi-Fairness Trade-offs [2.0019258650495493]
  mmm-fairは、多次元フェアネスと関連するトレードオフを探索するオープンソースツールである。 詳細なマルチ属性フェアネス、マルチオブジェクト最適化、ノーコード、チャットベースのインターフェース、LLMを使った説明、デプロイメント対応モデルを組み合わせたものだ。
  論文  参考訳（メタデータ） (2025-09-09T21:30:45Z)
• Marginal Debiased Network for Fair Visual Recognition [59.05212866862219]
  本稿では,デバイアス表現を学習するための新しい限界脱バイアスネットワーク(MDN)を提案する。 我々のMDNは、表現不足のサンプルに対して顕著な性能を達成できる。
  論文  参考訳（メタデータ） (2024-01-04T08:57:09Z)
• Learning Fair Classifiers via Min-Max F-divergence Regularization [13.81078324883519]
  公平な分類モデルを学ぶための新しい min-max F-divergence regularization フレームワークを提案する。 F分割測度は凸性と微分可能性特性を有することを示す。 提案手法は, 精度と公平性のトレードオフに関して, 最先端の性能を実現するものであることを示す。
  論文  参考訳（メタデータ） (2023-06-28T20:42:04Z)
• DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision [73.80009454050858]
  この研究は、DualFairと呼ばれる自己教師型モデルを提示し、学習された表現から性別や人種などのセンシティブな属性をデバイアスすることができる。 我々のモデルは、グループフェアネスと対実フェアネスという2つのフェアネス基準を共同で最適化する。
  論文  参考訳（メタデータ） (2023-03-15T07:13:54Z)
• Learning Informative Representation for Fairness-aware Multivariate Time-series Forecasting: A Group-based Perspective [50.093280002375984]
  多変量時系列予測モデル(MTS)では変数間の性能不公平性が広く存在する。 フェアネスを意識したMTS予測のための新しいフレームワークであるFairForを提案する。
  論文  参考訳（メタデータ） (2023-01-27T04:54:12Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• 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)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)

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。