論文の概要: Fair Conformal Classification via Learning Representation-Based Groups
- arxiv url: http://arxiv.org/abs/2605.12195v1
- Date: Tue, 12 May 2026 14:37:17 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-13 21:48:56.927876
- Title: Fair Conformal Classification via Learning Representation-Based Groups
- Title（参考訳）: 学習表現に基づくグループによるフェアコンフォーマル分類
- Authors: Senrong Xu, Yanke Zhou, Yuhao Tan, Zenan Li, Yuan Yao, Taolue Chen, Feng Xu, Xiaoxing Ma,
- Abstract要約: 本稿では,分類タスクのための公正な共形推論フレームワークを提案する。
コンパクトで情報的な予測セットを生成する上での有効性と効率のバランスをとることで、我々のアプローチは信頼できる機械学習への実践的な道筋をたどる。
- 参考スコア（独自算出の注目度）: 18.926790668827937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Conformal prediction methods provide statistically rigorous marginal coverage guarantees for machine learning models, but such guarantees fail to account for algorithmic biases, thereby undermining fairness and trust. This paper introduces a fair conformal inference framework for classification tasks. The proposed method constructs prediction sets that guarantee conditional coverage on adaptively identified subgroups, which can be implicitly defined through nonlinear feature combinations. By balancing effectiveness and efficiency in producing compact, informative prediction sets and ensuring adaptive equalized coverage across unfairly treated subgroups, our approach paves a practical pathway toward trustworthy machine learning. Extensive experiments on both synthetic and real-world datasets demonstrate the effectiveness of the framework.
- Abstract（参考訳）: コンフォーマル予測法は、機械学習モデルに対して統計的に厳密な限界被覆保証を提供するが、そのような保証はアルゴリズムのバイアスを考慮せず、公正さと信頼を損なう。
本稿では,分類タスクのための公正な共形推論フレームワークを提案する。
提案手法は,非線型特徴組合せによって暗黙的に定義できる適応的に同定された部分群に対する条件付きカバレッジを保証する予測セットを構成する。
コンパクトで情報的な予測セットの作成における効率性と効率のバランスと、不公平に扱われたサブグループ間の適応的等化カバレッジを確保することによって、我々のアプローチは、信頼できる機械学習への実践的な道筋をたどる。
合成データセットと実世界のデータセットの両方に関する大規模な実験は、フレームワークの有効性を実証している。
関連論文リスト
- A Generic Framework for Conformal Fairness [19.694445748424346]
我々は、共形予測器を用いた公正の概念であるtextitConformal Fairness を定式化する。
我々は、異なるセンシティブなグループ間のカバレッジのギャップを制御するための理論的に十分に確立されたアルゴリズムと関連するフレームワークを提供する。
論文 参考訳（メタデータ） (2025-05-22T01:41:12Z) - Rectifying Conformity Scores for Better Conditional Coverage [75.73184036344908]
本稿では,分割共形予測フレームワーク内で信頼セットを生成する新しい手法を提案する。
本手法は,任意の適合度スコアのトレーニング可能な変換を行い,条件付き範囲を正確に確保しつつ,条件付き範囲を改善する。
論文 参考訳（メタデータ） (2025-02-22T19:54:14Z) - Noise-Adaptive Conformal Classification with Marginal Coverage [53.74125453366155]
本稿では,ランダムラベルノイズによる交換性からの偏差を効率的に処理できる適応型共形推論手法を提案する。
本手法は,合成および実データに対して,その有効性を示す広範囲な数値実験により検証する。
論文 参考訳（メタデータ） (2025-01-29T23:55:23Z) - Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。
我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
論文 参考訳（メタデータ） (2024-07-01T20:44:48Z) - Conformal Classification with Equalized Coverage for Adaptively Selected Groups [9.016173836219524]
本稿では、適応的に選択された特徴に対して有効なカバレッジ条件付き予測セットを生成することにより、分類の不確かさを評価するための共形推論手法を提案する。
シミュレーションおよび実データに対して,本手法の有効性と有効性を示す。
論文 参考訳（メタデータ） (2024-05-23T23:32:37Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - Classification with Valid and Adaptive Coverage [11.680355561258427]
コンフォーマル推論、クロスバリデーション+、およびJackknife+は、事実上あらゆる機械学習アルゴリズムと組み合わせることができるホールドアウトメソッドである。
我々はこれらの手法の特殊バージョンを分類的・非順序対応ラベルとして開発する。
論文 参考訳（メタデータ） (2020-06-03T21:42:04Z)
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。