論文の概要: ProtoFair: Fair Self-Supervised Contrastive Learning via Pseudo-Counterfactual Pairs

• arxiv url: http://arxiv.org/abs/2605.01971v1
• Date: Sun, 03 May 2026 17:07:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:50.026936
• Title: ProtoFair: Fair Self-Supervised Contrastive Learning via Pseudo-Counterfactual Pairs
• Title（参考訳）: ProtoFair: Pseudo-Counterfactual Pairsによる自己監督型コントラスト学習
• Authors: Marah Halawa, Olaf Hellwich,
• Abstract要約: 既存の公正を意識した手法は、自己監督対象自体を再設計することでこの問題に対処する。 提案するProtoFairは,既存のSSL目標と協調して動作するように設計された,公正性を意識したコントラスト損失である。 ProtoFairはSimCLRとSupConの両方とシームレスに統合される。
• 参考スコア（独自算出の注目度）: 5.192293017737767
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Self-supervised learning methods learn high-quality visual representations, yet recent studies show that these representations often capture demographic biases present in the training data. Existing fairness-aware methods address this by redesigning the self-supervised objective itself, limiting portability across the rapidly evolving landscape of self-supervised learning (SSL) frameworks. We propose ProtoFair, a fairness-aware contrastive loss designed to work alongside existing SSL objectives without modifying them. ProtoFair leverages unsupervised prototype clustering to identify pseudo-counterfactual pairs: samples sharing the same cluster assignment but belonging to different sensitive groups. By pulling these content-matched, cross-group samples together in the embedding space, ProtoFair encourages the encoder to learn representations that are invariant to the sensitive attribute. The method requires only sensitive attribute annotations, no target labels, and integrates seamlessly with both SimCLR and SupCon. Experiments on CelebA and UTKFace demonstrate consistent fairness improvements while maintaining competitive accuracy.
• Abstract（参考訳）: 自己教師付き学習法は、高品質な視覚表現を学習するが、最近の研究では、これらの表現がトレーニングデータに存在する人口統計バイアスをしばしば捉えることが示されている。 既存の公正を意識したメソッドは、自己教師対象自体を再設計し、自己教師対象学習(SSL)フレームワークの急速に進化する状況におけるポータビリティを制限することで、この問題に対処する。 提案するProtoFairは,既存のSSL目標と協調して動作するように設計された,公正性を意識したコントラスト損失である。 ProtoFairは、教師なしのプロトタイプクラスタリングを利用して、擬似偽造のペアを識別する。 これらのコンテンツマッチングされたクロスグループサンプルを埋め込み空間にまとめることで、ProtoFairはエンコーダに機密属性に不変な表現を学ぶように促す。 このメソッドは機密属性アノテーションのみを必要とし、ターゲットラベルは不要で、SimCLRとSupConの両方とシームレスに統合される。 CelebAとUTKFaceの実験は、競争精度を維持しながら一貫した公正性の向上を示した。

関連論文リスト

• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• 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)
• On Higher Adversarial Susceptibility of Contrastive Self-Supervised Learning [104.00264962878956]
  コントラスト型自己教師学習(CSL)は,画像と映像の分類において,教師あり学習のパフォーマンスに適合するか上回っている。 2つの学習パラダイムによって誘導される表現の性質が似ているかどうかは、いまだに不明である。 我々は,CSL表現空間における単位超球面上のデータ表現の均一分布を,この現象の鍵となる要因として同定する。 CSLトレーニングでモデルロバスト性を改善するのにシンプルだが有効である戦略を考案する。
  論文  参考訳（メタデータ） (2022-07-22T03:49:50Z)
• Learning Fair Representation via Distributional Contrastive Disentanglement [9.577369164287813]
  公正な表現を学ぶことは、公平性を達成するか、センシティブな情報を悪用するために不可欠である。 本稿では,FarconVAE(Contrastive Variational AutoEncoder)を用いたFAir表現学習手法を提案する。 フェアネス、事前訓練されたモデルデバイアス、および様々なモダリティからの領域一般化タスクにおいて優れた性能を示す。
  論文  参考訳（メタデータ） (2022-06-17T12:58:58Z)
• Fair Contrastive Learning for Facial Attribute Classification [25.436462696033846]
  公正な視覚表現学習のためのFair Supervised Contrastive Loss (FSCL)を提案する。 本稿では,教師付きコントラスト学習による不公平性を初めて分析する。 提案手法はデータバイアスの強度に頑健であり,不完全な教師付き設定で効果的に機能する。
  論文  参考訳（メタデータ） (2022-03-30T11:16:18Z)
• Dual Contrastive Learning: Text Classification via Label-Aware Data Augmentation [38.61781713469419]
  入力サンプルの特徴と同一空間における分類器のパラメータを同時に学習する2つのコントラスト学習フレームワークを提案する。 具体的には、DualCLは、分類器のパラメータを、異なるラベルに関連付けられた強化サンプルとみなし、入力サンプルと強化サンプルとの対比学習を利用する。 5つのベンチマークテキスト分類データセットに関する実証的研究は、分類精度の向上を示し、DualCLの識別表現を学習する能力を確認する。
  論文  参考訳（メタデータ） (2022-01-21T13:59:45Z)
• Latent Space Smoothing for Individually Fair Representations [12.739528232133495]
  本稿では,高次元データの個々人の公正性を証明するための最初の表現学習手法LASSIを紹介する。 我々の重要な洞察は、生成的モデリングの最近の進歩を活用して、生成的潜在空間における類似した個人の集合を捉えることである。 ランダムな平滑化を用いて、類似した個人を密にマッピングし、ダウンストリームアプリケーションの局所ロバスト性検証がエンドツーエンドの公正性認証をもたらすことを保証します。
  論文  参考訳（メタデータ） (2021-11-26T18:22:42Z)
• Contrastive Learning for Fair Representations [50.95604482330149]
  訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。 対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。 比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
  論文  参考訳（メタデータ） (2021-09-22T10:47:51Z)
• Neighborhood Contrastive Learning for Novel Class Discovery [79.14767688903028]
  我々は,クラスタリング性能に重要な識別表現を学習するために,Neighborhood Contrastive Learningという新しいフレームワークを構築した。 これらの2つの成分がクラスタリング性能に大きく寄与し、我々のモデルが最先端の手法よりも大きなマージンで優れていることを実験的に実証した。
  論文  参考訳（メタデータ） (2021-06-20T17:34:55Z)

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。