論文の概要: Operationalizing Individual Fairness via Gradient Descent and Bradley-Terry Models

• arxiv url: http://arxiv.org/abs/2605.23145v1
• Date: Fri, 22 May 2026 01:50:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-25 17:29:20.154482
• Title: Operationalizing Individual Fairness via Gradient Descent and Bradley-Terry Models
• Title（参考訳）: グラディエントDescentとBradley-Terryモデルによる個人フェアネスの運用
• Authors: Conlan Olson, Linjun Zhang, Zhun Deng, Pragya Sur,
• Abstract要約: 個人の公正さは、アルゴリズムによる意思決定者に対して、柔軟な公正性を保証する。 個々人の公正性に対する障壁は、個々人の類似度を学習することの難しさである。
• 参考スコア（独自算出の注目度）: 25.691232950420723
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Individual fairness, the notion that "similar individuals should be treated similarly," provides a strong and flexible fairness guarantee for algorithmic decision makers. However, a barrier to implementing individual fairness in practice is the difficulty of learning the similarity metric over individuals. In this work, we present an algorithm for learning a Mahalanobis similarity metric from triplet queries of the form "is individual $i$ more similar to individual $j$ or $k$?" We work in the standard Bradley-Terry model for pairwise comparisons. Our algorithm consists of a spectral initialization step followed by gradient descent. We provide extensive theoretical guarantees on our algorithm, showing that it converges quickly to the ground truth metric despite the non-convexity of the loss in our model. Because our focus is on fairness, we also show that individual fairness with respect to an estimated metric is sufficient to achieve similar fairness with respect to the true metric. We also discuss potential applications of our work to AI model tuning. Finally, we present experimental results that demonstrate the convergence of our algorithm and the fairness performance of downstream fair predictors trained on our estimated metric.
• Abstract（参考訳）: 類似した個人も同様に扱われるべき」という個人の公正さは、アルゴリズムの意思決定者にとって強力で柔軟な公正性を保証する。 しかし、実際に個々人の公正性を実装するための障壁は、個々人の類似度を学習することの難しさである。 本研究では,三重項クエリからマハラノビス類似度メトリックを学習するためのアルゴリズムを提案する。「個々の$i$は,個々の$j$や$k$に類似しているか?」。 ペア比較の標準的なBradley-Terryモデルで作業する。 本アルゴリズムはスペクトル初期化ステップと勾配降下ステップからなる。 提案アルゴリズムは,モデルにおける損失の非凸性にも拘わらず,地上の真理距離に急速に収束することを示す。 我々の焦点は公正であるので、推定された計量に関する個人的公正性は、真の計量に関する同様の公正性を達成するのに十分であることを示す。 また、AIモデルチューニングへの応用の可能性についても論じる。 最後に,提案手法の収束と,推定値に基づいてトレーニングした下流フェア予測器の公平性を示す実験結果を示す。

関連論文リスト

• Cost Efficient Fairness Audit Under Partial Feedback [14.57835291220813]
  本研究では,ある分類器の公平さを部分的フィードバック下で監査する問題について検討する。 追加ラベル付きデータを取得するための新しいコストモデルを導入する。 我々のアルゴリズムは監査コストの点で自然ベースラインを約50%上回っていることを示す。
  論文  参考訳（メタデータ） (2025-10-04T08:38:03Z)
• Targeted Learning for Data Fairness [52.59573714151884]
  データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。 我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。 提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
  論文  参考訳（メタデータ） (2025-02-06T18:51:28Z)
• Implementing Fairness in AI Classification: The Role of Explainability [0.0]
  AI分類における公平性の実装には、公正度測定を単に運用すること以上の作業が必要だ、と我々は主張する。 トレーニングプロセスを透過化し、フェアネス基準が実際に生み出す成果を判断し、トレードオフを評価する。 これらの説明的なステップがAIモデルを信頼できるものにする方法に関する結論を導きます。
  論文  参考訳（メタデータ） (2024-07-20T06:06:24Z)
• 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)
• Linear Speedup in Personalized Collaborative Learning [69.45124829480106]
  フェデレート学習におけるパーソナライゼーションは、モデルのバイアスをトレーディングすることで、モデルの精度を向上させることができる。 ユーザの目的の最適化として、パーソナライズされた協調学習問題を定式化する。 分散の低減のためにバイアスを最適にトレードオフできる条件について検討する。
  論文  参考訳（メタデータ） (2021-11-10T22:12:52Z)
• GIFAIR-FL: An Approach for Group and Individual Fairness in Federated Learning [8.121462458089143]
  本稿では,グループと個別設定を保持するアプローチである texttGIFAIR-FL を提案する。 非$i.i.d.$と強い凸設定で収束を示す。 既存のアルゴリズムと比較して,提案手法は精度が向上し,予測精度も優れていた。
  論文  参考訳（メタデータ） (2021-08-05T17:13:43Z)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• Metric-Free Individual Fairness with Cooperative Contextual Bandits [17.985752744098267]
  グループフェアネスは、グループ内の一部の個人に対して不公平であるように、異なるグループが同様に扱われるべきである。 個々の公正性は、問題固有の類似度指標に依存するため、まだ検討されていない。 本研究では,メトリックフリーな個人フェアネスと協調的文脈帯域幅アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-11-13T03:10:35Z)
• Metrics and methods for a systematic comparison of fairness-aware machine learning algorithms [0.0]
  この研究はこの種の最も包括的なものである。 フェアネス、予測性能、キャリブレーション品質、28種類のモデリングパイプラインの速度を考慮に入れている。 また,フェアネスを意識したアルゴリズムは,予測力の低下を伴わずにフェアネスを誘導できることがわかった。
  論文  参考訳（メタデータ） (2020-10-08T13:58:09Z)
• Beyond Individual and Group Fairness [90.4666341812857]
  本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。 我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
  論文  参考訳（メタデータ） (2020-08-21T14:14:44Z)
• SenSeI: Sensitive Set Invariance for Enforcing Individual Fairness [50.916483212900275]
  まず、ある感度集合の不変性を強制する個別の公正性のバージョンを定式化する。 次に,輸送型正規化器を設計し,個別の公平性を強制し,効率よく正規化器を最小化するためのアルゴリズムを開発する。
  論文  参考訳（メタデータ） (2020-06-25T04:31:57Z)

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。