Fugu-MT 論文翻訳(概要): GESD: Beyond Outcome-Oriented Fairness

論文の概要: GESD: Beyond Outcome-Oriented Fairness

arxiv url: http://arxiv.org/abs/2605.15295v1
Date: Thu, 14 May 2026 18:10:57 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-18 17:44:16.267866
Title: GESD: Beyond Outcome-Oriented Fairness
Title（参考訳）: GESD:アウトカム指向フェアネスを超えて
Authors: Gideon Popoola, John Sheppard,
Abstract要約: Group-level Explanation Stability Disparity (GESD) は、モデル説明の安定性、堅牢性、感度の相違を測定するフェアネス尺度である。コードとデータセットはGitHubで入手可能です。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Machine learning (ML) algorithms are increasingly deployed in high-stakes decision-making domains such as loan approvals, hiring, and recidivism predictions. While existing fairness metrics (e.g., statistical parity, equal opportunity) effectively quantify outcome-oriented disparities, they offer limited insight into the procedure or explanation behind biased decisions. To address this gap, we propose Group-level Explanation Stability Disparity (GESD), a \textit{procedural-oriented} fairness metric that measures disparities in the stability, robustness, and sensitivity of model explanations across different subgroups in a protected category. %GESD is explainer-agnostic, model-agnostic, and extends the scope of fairness analyses to the level of explainability. We further integrate GESD into a multi-objective optimization framework that jointly optimizes for utility, outcome-based fairness, and explanation-based fairness called FEU (Fairness--Explainability--Utility). Empirical results on multiple benchmark datasets show that GESD effectively captures group-wise discrepancies in explanation quality, and that FEU improves both utility and fairness over state-of-the-art methods. By bridging outcome-based and explanation-based fairness, GESD offers a comprehensive tool for diagnosing and mitigating bias in predictive modeling. Our code and datasets are available on GitHub {\hyperlink{https://github.com/horlahsunbo/GESD}{https://github.com/horlahsunbo/GESD}}
Abstract（参考訳）: 機械学習(ML)アルゴリズムは、ローン承認、雇用、再分配予測などの高い意思決定領域に、ますます多くデプロイされている。既存の公平度指標(統計パリティ、平等機会など)は、成果指向の格差を効果的に定量化するが、偏見のある決定の背後にある手順や説明について限定的な洞察を与える。このギャップに対処するために、保護されたカテゴリ内の異なるサブグループ間でのモデル説明の安定性、堅牢性、感度の相違を計測する、グループレベルの説明安定格差(GESD)を提案する。 %GESDは説明不能でモデル非依存であり、公平性分析の範囲を説明可能性のレベルまで広げる。 FEU(Fairness--Explainability--Utility)と呼ばれる実用性、結果に基づくフェアネス、説明に基づくフェアネスを共同で最適化する多目的最適化フレームワークにGESDを組み込む。複数のベンチマークデータセットの実証的な結果から、GESDは説明品質におけるグループ的不一致を効果的に捉え、FEUは最先端の手法よりも実用性と公正性の両方を改善している。 GESDは、結果に基づく公平さと説明に基づく公正さをブリッジすることによって、予測モデリングにおけるバイアスの診断と緩和のための包括的なツールを提供する。コードとデータセットは GitHub {\hyperlink{https://github.com/horlahsunbo/GESD}{https://github.com/horlahsunbo/GESD}} で公開されている。

関連論文リスト

From Insight to Action: A Novel Framework for Interpretability-Guided Data Selection in Large Language Models [73.72877445629383]
Interpretability-Guided Data Selection (IGDS) は、まず周波数リコールと干渉フィルタリングによって因果タスクの特徴を識別するフレームワークである。我々は,数学的推論,要約,翻訳タスクに関するIGDSをGemma-2,LLaMA-3.1,Qwen3モデルで検証する。
論文参考訳（メタデータ） (2026-04-28T03:16:24Z)
MESD: Detecting and Mitigating Procedural Bias in Intersectional Groups [0.0]
本研究は、複数の保護されたカテゴリーにおける公平性に関する説明可能性を検討することにより、重要なギャップに対処する。複数のデータセットにまたがる実験結果から、UEFは目的を効果的にバランスしていることが分かる。
論文参考訳（メタデータ） (2026-03-13T15:42:31Z)
Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
論文参考訳（メタデータ） (2025-10-23T12:22:02Z)
NDCG-Consistent Softmax Approximation with Accelerated Convergence [67.10365329542365]
本稿では,ランキングの指標と直接一致した新たな損失定式化を提案する。提案したRG損失を高効率な Alternating Least Squares (ALS) 最適化手法と統合する。実世界のデータセットに対する実証的な評価は、我々のアプローチが同等または上位のパフォーマンスを達成することを示す。
論文参考訳（メタデータ） (2025-06-11T06:59:17Z)
Knowledge Distillation and Enhanced Subdomain Adaptation Using Graph Convolutional Network for Resource-Constrained Bearing Fault Diagnosis [0.0]
複雑な教師モデルからコンパクトで効率的な学生モデルに知識を伝達する進歩的知識蒸留フレームワークを提案する。再生ケルネルヒルベルト空間(RKHS)における平均および分散統計を利用してラベル間の事前確率分布を組み込むELMMSD(Enhanced Local Maximum Mean Squared Discrepancy)を導入する。
論文参考訳（メタデータ） (2025-01-13T10:05:47Z)
LaPLACE: Probabilistic Local Model-Agnostic Causal Explanations [1.0370398945228227]
本稿では,機械学習モデルに対する確率論的原因・効果説明を提供するLaPLACE-Explainerを紹介する。 LaPLACE-Explainerコンポーネントはマルコフ毛布の概念を利用して、関連する特徴と非関連する特徴の間の統計的境界を確立する。提案手法は,LIME と SHAP の局所的精度と特徴の整合性の観点から,因果的説明と性能を向上する。
論文参考訳（メタデータ） (2023-10-01T04:09:59Z)
Dr. FERMI: A Stochastic Distributionally Robust Fair Empirical Risk Minimization Framework [12.734559823650887]
分散シフトが存在する場合、公正な機械学習モデルはテストデータに対して不公平に振る舞うことがある。既存のアルゴリズムはデータへの完全なアクセスを必要とし、小さなバッチを使用する場合には使用できない。本稿では,因果グラフの知識を必要としない収束保証付き分布安定度フレームワークを提案する。
論文参考訳（メタデータ） (2023-09-20T23:25:28Z)
Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文参考訳（メタデータ） (2023-03-06T17:19:23Z)
Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文参考訳（メタデータ） (2020-06-10T20:20:10Z)
Stochastic-Sign SGD for Federated Learning with Theoretical Guarantees [49.91477656517431]
量子化に基づく解法は、フェデレートラーニング(FL)において広く採用されている。上記のプロパティをすべて享受する既存のメソッドはありません。本稿では,SIGNSGDに基づく直感的かつ理論的に簡易な手法を提案し,そのギャップを埋める。
論文参考訳（メタデータ） (2020-02-25T15:12:15Z)

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。