論文の概要: Balancing Fairness, Privacy, and Accuracy: A Multitask Adversarial Framework for Centralized Data-Driven Systems

• arxiv url: http://arxiv.org/abs/2605.24458v1
• Date: Sat, 23 May 2026 08:10:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:18.07037
• Title: Balancing Fairness, Privacy, and Accuracy: A Multitask Adversarial Framework for Centralized Data-Driven Systems
• Title（参考訳）: 公正性とプライバシ,正確性のバランスをとる - 集中型データ駆動システムのためのマルチタスク対応フレームワーク
• Authors: Imesh Ekanayake, Elham Naghizade, Jeffrey Chan,
• Abstract要約: 現在の方法は、プライバシー、公正性、正確性に対処することはめったになく、倫理基準やプライバシー規制を侵害する可能性がある。 本稿では,公正さとプライバシを後から考えるのではなく,統合的な目的として扱う,新しいマルチタスク敵モデルを提案する。 提案手法は,性能損失を最小限に抑えたコスト関数を最適化することにより,公正性と精度とプライバシのバランスを動的に調整する。
• 参考スコア（独自算出の注目度）: 3.778113918314306
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The integration of fairness and privacy in centralized data-driven applications is critical, especially as these systems increasingly influence sectors with significant societal impact. Current methods rarely address privacy, fairness, and accuracy together, which can potentially compromise ethical standards and privacy regulations. However, balancing these three objectives is quite challenging since each of objective often imposes conflicting requirements on the design and training of models, making it difficult to optimize one without compromising the others. This paper introduces a novel multitask adversarial model that treats fairness and privacy as integral objectives rather than afterthoughts, and learns a latent representation that hides sensitive attributes while preserving essential task-related information. Our approach dynamically balances fairness with accuracy and privacy through an optimized cost function with minimal performance loss even under strict conditions. Extensive testing on diverse datasets shows the ability of our model to achieve high standards of fairness and privacy without significant sacrifice to accuracy. Benchmarking against state-of-the-art privacy and fairness standards shows that our method enhances the robustness of privacy, fairness, and accuracy optimization, proving its adaptability across various datasets.
• Abstract（参考訳）: 集中型データ駆動型アプリケーションにおける公平性とプライバシの統合は、特にこれらのシステムが社会的影響の大きいセクターにますます影響を与えているため、非常に重要である。 現在の方法は、プライバシー、公正性、正確性に対処することはめったになく、倫理基準やプライバシー規制を侵害する可能性がある。 しかしながら、これらの3つの目的のバランスをとることは、それぞれの目的がモデルの設計とトレーニングに矛盾する要件を課すことが多いため、他を妥協させることなく最適化することが難しくなるため、非常に難しい。 本稿では,公正さとプライバシを余計な考えよりも一体的な目的として扱う新しいマルチタスク・敵モデルを紹介し,重要なタスク関連情報を保存しつつ,重要な属性を隠蔽する潜伏表現を学習する。 本手法は,厳密な条件下であっても性能損失を最小限に抑えた最適化コスト関数により,公正性と精度とプライバシのバランスを動的に調整する。 多様なデータセットに対する広範囲なテストは、精度を犠牲にすることなく、公平性とプライバシの高い標準を達成できることを示しています。 最先端のプライバシと公正性の基準に対するベンチマークにより、我々の手法は、プライバシ、公正性、精度の最適化の堅牢性を向上し、さまざまなデータセットの適応性を証明している。

関連論文リスト

• Towards Benchmarking Privacy Vulnerabilities in Selective Forgetting with Large Language Models [28.389198065125314]
  選択的な忘れ(マシンアンラーニングとも呼ばれる)は、プライバシとデータ削除タスクの約束を示している。 その約束にもかかわらず、選択的な忘れ物はプライバシーの懸念を生じさせる。 プライバシの脆弱性を選択的に評価するための、最初の包括的なベンチマークを示す。
  論文  参考訳（メタデータ） (2025-12-19T20:04:06Z)
• Fairness Meets Privacy: Integrating Differential Privacy and Demographic Parity in Multi-class Classification [6.28122931748758]
  差分プライバシーは、公平性保証に最小限の影響を与える公平性向上パイプラインに統合可能であることを示す。 我々はDP2DPと呼ばれるポストプロセッシングアルゴリズムを設計し、人口統計と差分プライバシーの両方を強制する。 分析の結果,我々のアルゴリズムは,文献から得られる最良な非私的手法と基本的に同じ割合で,その人口的平等目標に向かって収束していることが判明した。
  論文  参考訳（メタデータ） (2025-11-24T08:31:02Z)
• Accurate Target Privacy Preserving Federated Learning Balancing Fairness and Utility [28.676852732262407]
  フェデレートラーニング(FL)は、データ共有なしで協調的なモデルトレーニングを可能にする。 我々は、この多目的最適化をゼロサムゲームに変換する微分プライベートフェアFLアルゴリズムを導入する。 我々の理論的分析は、驚くべき逆関係、すなわちより厳格なプライバシー保護が、人口統計バイアスを検出し修正するシステムの能力を制限していることを示している。
  論文  参考訳（メタデータ） (2025-10-30T07:14:55Z)
• Understanding and Benchmarking the Trustworthiness in Multimodal LLMs for Video Understanding [59.50808215134678]
  この研究では、23の最先端のビデオLLMを評価する最初の総合的なベンチマークであるTrust-videoLLMを紹介した。 その結果、動的シーン理解、クロスモーダルレジリエンス、現実世界のリスク軽減において、大きな制限が示された。
  論文  参考訳（メタデータ） (2025-06-14T04:04:54Z)
• A Three-Way Knot: Privacy, Fairness, and Predictive Performance Dynamics [2.9005223064604078]
  最も重要な問題の2つは、公正性とデータのプライバシーである。 プライバシ、公平性、予測パフォーマンスのバランスは複雑です。 この3方向の張力と各ベクトルの最適化が他に与える影響について検討する。
  論文  参考訳（メタデータ） (2023-06-27T15:46:22Z)
• Auditing and Generating Synthetic Data with Controllable Trust Trade-offs [54.262044436203965]
  合成データセットとAIモデルを包括的に評価する総合監査フレームワークを導入する。 バイアスや差別の防止、ソースデータへの忠実性の確保、実用性、堅牢性、プライバシ保護などに焦点を当てている。 多様なユースケースにまたがる様々な生成モデルを監査することにより,フレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2023-04-21T09:03:18Z)
• Analysing Fairness of Privacy-Utility Mobility Models [11.387235721659378]
  この研究は、人間の移動性のために明示的に設計された公正度メトリクスのセットを定義する。 GANと表現学習に依存した2つの最先端プライバシ保護モデルの公正性を検証し,データ共有におけるユーザの再識別率の低減を図る。 以上の結果から,両モデルがグループフェアネスを保証しているが,個々のフェアネス基準に反し,非常に類似したトラジェクトリを持つユーザに対して,異なるプライバシ向上が認められたことが示唆された。
  論文  参考訳（メタデータ） (2023-04-10T11:09:18Z)
• SF-PATE: Scalable, Fair, and Private Aggregation of Teacher Ensembles [50.90773979394264]
  本稿では、個人の機密情報のプライバシーを保護しつつ、差別的でない予測者の学習を可能にするモデルについて検討する。 提案モデルの主な特徴は、プライバシ保護とフェアモデルを作成するために、オフ・ザ・セルフと非プライベートフェアモデルの採用を可能にすることである。
  論文  参考訳（メタデータ） (2022-04-11T14:42:54Z)
• Robustness Threats of Differential Privacy [70.818129585404]
  我々は、いくつかの設定で差分プライバシーをトレーニングしたネットワークが、非プライベートバージョンに比べてさらに脆弱であることを実験的に実証した。 本研究では,勾配クリッピングや雑音付加などのニューラルネットワークトレーニングの主成分が,モデルの堅牢性に与える影響について検討する。
  論文  参考訳（メタデータ） (2020-12-14T18:59:24Z)
• Differentially Private and Fair Deep Learning: A Lagrangian Dual Approach [54.32266555843765]
  本稿では,個人の機密情報のプライバシを保護するとともに,非差別的予測器の学習を可能にするモデルについて検討する。 この方法は、微分プライバシーの概念と、公正性制約を満たすニューラルネットワークの設計にラグランジアン双対性(Lagrangian duality)を用いることに依存している。
  論文  参考訳（メタデータ） (2020-09-26T10:50:33Z)

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。