論文の概要: Fairness of Classifiers in the Presence of Constraints between Features
- arxiv url: http://arxiv.org/abs/2605.00592v1
- Date: Fri, 01 May 2026 11:58:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-04 17:43:28.938806
- Title: Fairness of Classifiers in the Presence of Constraints between Features
- Title（参考訳）: 特徴間の制約の有無における分類器の公正性
- Authors: Martin C. Cooper, Imane Bousdira,
- Abstract要約: 機械学習では、決定の公平性の定義は、性別のような保護された特徴に依存してはならない、と受け入れられている。
我々は、公正な説明を、いかなる保護された特徴も含まない決定の主目的の理由として定義する。
意外なことに、制約を無視していると、決定の公平性は完全に変わります。
- 参考スコア（独自算出の注目度）: 1.160208922584163
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In Machine Learning, an accepted definition of fairness of a decision taken by a classifier is that it should not depend on protected features, such as gender. Unfortunately, when constraints exist between features, such dependencies can be obscured by the constraints. To avoid this problem, we propose that a decision be considered fair if it has a fair explanation. We define a fair explanation as a prime-implicant reason for the decision that does not contain any protected feature (where the constraints are taken into account in the definition of prime-implicant). Surprisingly, ignoring constraints can completely change the fairness of a decision (according to this definition) even in the absence of constraints between protected and unprotected features. Three possible definitions of fairness of a classifier are that for all its decisions (1) there are only fair explanations, (2) there is at least one fair explanation, or (3) changing protected features does not change the outcome. We identify the relationships between these different definitions of fairness and study the computational complexity of testing fairness of classifiers.
- Abstract（参考訳）: 機械学習において、分類器が行う決定の公平性の定義は、性別などの保護された特徴に依存してはならない。
残念ながら、機能間の制約が存在する場合、そのような依存関係は制約によって隠蔽される可能性がある。
この問題を回避するため,公平な説明があれば公平な判断を下すよう提案する。
我々は、公正な説明を、いかなる保護された特徴も含まない決定(素目的の定義において制約が考慮される)の素目的的理由として定義する。
驚いたことに、制約を無視しても(この定義によれば)決定の公平性を完全に変えることができる。
分類器の公平性の3つの可能な定義は、(1)公平な説明のみ、(2)少なくとも1つの公正な説明、(3)保護された特徴の変更が結果を変えることはないというものである。
フェアネスの異なる定義間の関係を同定し、分類器のフェアネスをテストする際の計算複雑性について検討する。
関連論文リスト
- Fairness-Accuracy Trade-Offs: A Causal Perspective [58.06306331390586]
我々は、初めて因果レンズから公正性と正確性の間の張力を分析する。
因果的制約を強制することは、しばしば人口集団間の格差を減少させることを示す。
因果制約付きフェアラーニングのための新しいニューラルアプローチを導入する。
論文 参考訳（メタデータ） (2024-05-24T11:19:52Z) - What Hides behind Unfairness? Exploring Dynamics Fairness in Reinforcement Learning [52.51430732904994]
強化学習問題では、エージェントはリターンを最大化しながら長期的な公正性を考慮する必要がある。
近年の研究では様々なフェアネスの概念が提案されているが、RL問題における不公平性がどのように生じるかは定かではない。
我々は、環境力学から生じる不平等を明示的に捉える、ダイナミックスフェアネスという新しい概念を導入する。
論文 参考訳（メタデータ） (2024-04-16T22:47:59Z) - Differential Parity: Relative Fairness Between Two Sets of Decisions [4.106941784309168]
差分パリティを持つ別の決定に対して設定された決定の相対的公正性をテストすることを提案する。
これは、絶対の公正な決定の曖昧で矛盾した定義を避ける。
これは2つの決定セット間の相対的な嗜好と偏見を明らかにする。
論文 参考訳（メタデータ） (2021-12-21T15:05:42Z) - Sufficient reasons for classifier decisions in the presence of
constraints [9.525900373779395]
最近の研究では、二項分類器による決定を推論する理論が明らかにされている。
我々は制約を考慮したより一般的な理論を提案する。
私たちは、この単純なアイデアが(時にはもっと)簡潔な理由をもたらすことを証明します。
論文 参考訳（メタデータ） (2021-05-12T23:36:12Z) - Contrastive Explanations for Model Interpretability [77.92370750072831]
分類モデルの対照的説明を生成する手法を提案する。
本手法は潜在空間へのモデル表現の投影に基づいている。
本研究は,モデル決定のより正確できめ細かな解釈性を提供するためのラベルコントラスト的説明の能力に光を当てた。
論文 参考訳（メタデータ） (2021-03-02T00:36:45Z) - A Weaker Faithfulness Assumption based on Triple Interactions [89.59955143854556]
より弱い仮定として, 2$-adjacency faithfulness を提案します。
より弱い仮定の下で適用可能な因果発見のための音方向規則を提案する。
論文 参考訳（メタデータ） (2020-10-27T13:04:08Z) - Algorithmic Decision Making with Conditional Fairness [48.76267073341723]
条件付きフェアネスを、条件付きフェアネス変数の条件付けにより、より健全なフェアネス計量として定義する。
本稿では,アルゴリズム決定の精度と公平性のトレードオフを追跡するために,導出条件公正規則化器(DCFR)を提案する。
論文 参考訳（メタデータ） (2020-06-18T12:56:28Z) - Fair Inputs and Fair Outputs: The Incompatibility of Fairness in Privacy
and Accuracy [0.0]
プライバシと必要な知識は意思決定システムの望ましい特性である,と我々は主張する。
最適分類器に対して、これらの3つの性質は一般に非互換であることを示す。
3つの特性間のトレードオフが与えられたデータセットに存在するかどうかを検証するアルゴリズムを提供する。
論文 参考訳（メタデータ） (2020-05-19T04:32:16Z) - Abstracting Fairness: Oracles, Metrics, and Interpretability [21.59432019966861]
我々は,真理の公正さの理解を基盤とした,公正な神託から学べるものについて検討する。
我々の結果は、非常に望ましいが定義されていない分類システムの特性である解釈性(interpretablity)に影響を及ぼす。
論文 参考訳（メタデータ） (2020-04-04T03:14:53Z) - The Measure and Mismeasure of Fairness [6.6697126372463345]
我々は、アルゴリズムの公平な設計は、それらの文脈固有の結果に不満を抱く必要があると論じる。
私たちは、アルゴリズムがポリシーの目標に適合するようにするための戦略を提供します。
論文 参考訳（メタデータ） (2018-07-31T18:38:04Z)
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。