論文の概要: Tuning Derivatives for Causal Fairness in Machine Learning

• arxiv url: http://arxiv.org/abs/2605.05882v1
• Date: Thu, 07 May 2026 08:53:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.642934
• Title: Tuning Derivatives for Causal Fairness in Machine Learning
• Title（参考訳）: 機械学習における因果フェアネスのためのチューニングデリバティブ
• Authors: Filip Edström, Guilherme W. F. Barros, Tetiana Gorbach, Xavier de Luna,
• Abstract要約: 本稿では,継続的保護属性に適合した構造因果モデルにおける公平性のための新しい枠組みを提案する。 本研究では,そのような予測器を構築するか,不可能であればSPとPPのトレードオフを可能にする公平なチューニングアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.9799637101641152
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial-intelligence systems are becoming ubiquitous in society, yet their predictions typically inherit biases with respect to protected attributes such as race, gender, or age. Classical fairness notions, most notably Statistical Parity (SP), demand that predictions be independent of the protected attributes, but are overly restrictive when these attributes influence mediating variables that are considered business necessities. Recent causal formulations relax SP by distinguishing allowed from not-allowed causal paths and by complementing SP with Predictive Parity (PP), requiring the predictor to replicate the legitimate influence of business-necessities. Existing path-based definitions are mainly practical when applied to categorical attributes. This paper introduces a new framework for fairness in structural causal models that is tailored to continuous protected attributes. We formalize SP and PP through path-specific partial derivatives, establish conditions under which these criteria coincide with prior causal definitions, and characterize when a fair predictor, one that satisfies SP along not-allowed paths while achieving PP along allowed paths, exists. Building on this theory, we propose a fair tuning algorithm that either constructs such a predictor or, when not possible, allows for a trade-off between SP and PP. We present experiments on simulated and real data to evaluate our proposal, compare it with previously proposed methods, and show that it performs better when PP is considered.
• Abstract（参考訳）: 人工知能システムは社会において普及しつつあるが、その予測は一般に人種、性別、年齢などの保護された属性に関して偏見を継承する。 古典的公正の概念、特に統計的パリティ(SP)は、予測は保護された属性から独立しているが、これらの属性がビジネス必需品と見なされる変数の仲介に影響を与える場合、過度に制限される。 最近の因果関係の定式化は、許可されていない因果経路と区別し、SPと予測パリティ(PP)を補完することによりSPを緩和し、予測者がビジネスニーズの正当な影響を再現する必要がある。 既存のパスベースの定義は主にカテゴリ属性に適用する場合に実用的である。 本稿では,継続的保護属性に適合した構造因果モデルにおける公平性のための新しい枠組みを提案する。 経路特異的な偏微分によってSPとPPを定式化し、これらの基準が以前の因果定義と一致する条件を確立し、許容経路に沿ってSPを満たす公正な予測器が存在する場合に特徴付ける。 この理論に基づいて、そのような予測器を構築するか、不可能であればSPとPPのトレードオフを可能にする公平なチューニングアルゴリズムを提案する。 提案手法を提案手法と比較し, 提案手法の有効性を検証し, PPを考慮した場合の有効性を示す。

関連論文リスト

• Causal Neural Probabilistic Circuits [13.696507778417326]
  概念ボトルネックモデル(Concept Bottleneck Models, CBM)は、概念層を導入し、概念予測からクラスラベルを予測することによって、エンドツーエンドのニューラルネットワークの解釈可能性を高める。 本稿では,ニューラル属性予測回路と因果グラフからコンパイルされた因果確率回路を組み合わせた因果確率回路(CNPC)を提案する。 CNPCは、割り込み属性の数によって高いタスク精度を達成する。
  論文  参考訳（メタデータ） (2026-03-02T02:15:24Z)
• PAC-Bayesian Generalization Guarantees for Fairness on Stochastic and Deterministic Classifiers [8.438034474012044]
  フェアネスの一般化境界を導出するためのPAC-Bayesianフレームワークを提案する。 フレームワークには2つの利点がある: (i) リスクの相違として表現できる幅広い公正度尺度に適用され、 (ii) 自己バウンディングアルゴリズムにつながる。
  論文  参考訳（メタデータ） (2026-02-12T08:49:34Z)
• Online scalable Gaussian processes with conformal prediction for guaranteed coverage [32.21093722162573]
  結果として生じる不確実な値の整合性は、学習関数がGPモデルで指定された特性に従うという前提に基づいている。 提案するGPは,分散のない後処理フレームワークである共形予測(CP)を用いて,有意なカバレッジで予測セットを生成する。
  論文  参考訳（メタデータ） (2024-10-07T19:22:15Z)
• Beyond Conformal Predictors: Adaptive Conformal Inference with Confidence Predictors [1.3812010983144802]
  本研究は,適応整形推論(ACI)の望ましい性質が整形予測器(CP)の使用を必要としないことを示す。 非互換信頼予測器(NCCP)の非交換データに対するACI使用時のCPに対する性能を実証的に検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:02:33Z)
• 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)
• When Does Confidence-Based Cascade Deferral Suffice? [69.28314307469381]
  カスケードは、推論コストをサンプル毎に適応的に変化させる古典的な戦略である。 deferralルールは、シーケンス内の次の分類子を呼び出すか、または予測を終了するかを決定する。 カスケードの構造に執着しているにもかかわらず、信頼に基づく推論は実際は極めてうまく機能することが多い。
  論文  参考訳（メタデータ） (2023-07-06T04:13:57Z)
• 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)
• Deconfounding Scores: Feature Representations for Causal Effect Estimation with Weak Overlap [140.98628848491146]
  推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。 分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。 特に,この手法が標準正規化の魅力的な代替となることを示す。
  論文  参考訳（メタデータ） (2021-04-12T18:50:11Z)

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。