論文の概要: A Blended Likelihood Approach for Achieving Fairness Using Naive Bayes

• arxiv url: http://arxiv.org/abs/2605.25228v1
• Date: Sun, 24 May 2026 19:31:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-26 19:50:19.032847
• Title: A Blended Likelihood Approach for Achieving Fairness Using Naive Bayes
• Title（参考訳）: ナイーブベイズを用いたフェアネス達成のためのブレンド的親和性アプローチ
• Authors: John Arthur Junior, Abdul Lateef Yussif, Maame G. Asante-Mensah, Charles R. Haruna, Sandro Amofa, Elliot Attipoe,
• Abstract要約: 本研究では,計算効率を保ちながらバイアスを緩和する,ネイブベイズ分類器の公平性を考慮した拡張法を開発した。 本稿では,Bias Mitigating Naive Bayes (BMNB)分類器を提案する。 実験結果から,BMNBはアダルト,ProPublica,Framinghamのデータセット上で,1.000,1.171,0.997の異なるインパクト(DI)値と,-0.217,-0.226,-0.053の平等差(EOD)値が得られることがわかった。
• 参考スコア（独自算出の注目度）: 0.29316801942271303
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Concerns about algorithmic bias and fairness have increased as artificial intelligence has been incorporated into high-stakes decision-making. Traditional Naive Bayes classifiers, while efficient and interpretable, lack fairness-awareness mechanisms and perpetuate historical biases in sensitive domains such as hiring, credit scoring, and criminal justice. This study develops a fairness-aware extension of the Naive Bayes classifier that mitigates bias while maintaining computational efficiency. We propose the Bias Mitigating Naive Bayes (BMNB) classifier, integrating in-processing and post-processing interventions. The in-processing stage employs a blended likelihood approach combining group-specific and pooled likelihood estimates through a tunable blending parameter alpha to balance fairness and accuracy. The post-processing stage applies output calibration with adaptive thresholding to fine-tune group-specific decision boundaries. Experimental results indicate that BMNB attains Disparate Impact (DI) values of 1.000, 1.171, and 0.997 and Equal Opportunity Difference (EOD) values of -0.217, -0.226, and -0.053 on the Adult, ProPublica, and Framingham datasets, respectively, while maintaining computational efficiency. Ablation studies confirm that the combination of blended likelihood and adaptive thresholding yields superior performance compared to either technique in isolation.
• Abstract（参考訳）: アルゴリズムの偏見と公平性に関する懸念は、人工知能が高い意思決定に取り入れられるにつれて高まっている。 伝統的なネイブベイズ分類器は効率的かつ解釈可能であるが、公正な認識メカニズムが欠如しており、雇用、信用評価、刑事司法などの機密分野における歴史的偏見が持続している。 本研究では,計算効率を保ちながらバイアスを緩和する,ネイブベイズ分類器の公平性を考慮した拡張法を開発した。 本稿では,Bias Mitigating Naive Bayes (BMNB)分類器を提案する。 インプロセッシング段階では、グループ固有の推定値とプールされた推定値を組み合わせて、調整可能なブレンディングパラメータαを用いて、公正性と精度のバランスをとる。 後処理段階は、微調整グループ固有の決定境界に適応しきい値付き出力キャリブレーションを適用する。 実験結果から,BMNBはアダルト,ProPublica,Framinghamの各データセットに対して,それぞれ1.000,1.171,0.997,EOD値-0.217,-0.226,-0.053の異種衝突(DI)値を達成し,計算効率を維持した。 アブレーション研究により、混合確率と適応しきい値の組合せは、どちらの技術よりも優れた性能を示すことが確認された。

関連論文リスト

• Fix Representation (Optimally) Before Fairness: Finite-Sample Shrinkage Population Correction and the True Price of Fairness Under Subpopulation Shift [0.0]
  機械学習の実践者は、予測精度とグループフェアネスの制約の間の緊張をよく観察する。 いずれの現象も、サブグループ比を誤って表現する訓練データのアーティファクトであることを示す。
  論文  参考訳（メタデータ） (2026-02-05T14:32:05Z)
• Uncertainty-Aware Fairness-Adaptive Classification Trees [0.0]
  本稿では,木構築プロセスに公平性調整を組み込んだ新しい分割基準を用いた新しい分類木アルゴリズムを提案する。 本手法は,従来の分類木に比べて識別予測を効果的に削減し,全体的な精度を損なわないことを示す。
  論文  参考訳（メタデータ） (2024-10-08T08:42:12Z)
• Bayes-Optimal Fair Classification with Linear Disparity Constraints via Pre-, In-, and Post-processing [21.522784751525222]
  与えられた群フェアネス制約に対する分類誤差を最小限に抑えるため,ベイズ最適公正分類法を開発した。 人口格差、機会平等、予測平等からの逸脱など、いくつかの一般的な格差対策が双線形であることを示します。 本手法は, ほぼ最適フェアネス精度のトレードオフを達成しつつ, 相違を直接制御する。
  論文  参考訳（メタデータ） (2024-02-05T08:59:47Z)
• Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
  我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。 本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
  論文  参考訳（メタデータ） (2023-11-03T21:19:59Z)
• B-Learner: Quasi-Oracle Bounds on Heterogeneous Causal Effects Under Hidden Confounding [51.74479522965712]
  本稿では,B-Learnerと呼ばれるメタラーナーを提案する。 我々は、その推定が有効で、鋭く、効率的であることを証明し、既存の方法よりも一般的な条件下で構成推定器に対して準オーラル特性を持つことを示した。
  論文  参考訳（メタデータ） (2023-04-20T18:07:19Z)
• Fair Bayes-Optimal Classifiers Under Predictive Parity [33.648053823193855]
  本稿では、異なる保護群間での正の予測から、成功の確率を等しくする必要がある予測パリティについて考察する。 本研究では,FairBayes-DPPと呼ばれるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-05-15T04:58:10Z)
• Learning Optimal Fair Classification Trees: Trade-offs Between Interpretability, Fairness, and Accuracy [7.215903549622416]
  最適分類木を学習するための混合整数最適化フレームワークを提案する。 我々は、一般的なデータセットの公平な分類のための最先端アプローチに対して、我々の手法をベンチマークする。 我々の手法は、ほぼ完全に一致した決定を一貫して見つけ出すが、他の手法は滅多にない。
  論文  参考訳（メタデータ） (2022-01-24T19:47:10Z)
• Scalable Personalised Item Ranking through Parametric Density Estimation [53.44830012414444]
  暗黙のフィードバックから学ぶことは、一流問題の難しい性質のために困難です。 ほとんどの従来の方法は、一級問題に対処するためにペアワイズランキングアプローチとネガティブサンプラーを使用します。 本論文では,ポイントワイズと同等の収束速度を実現する学習対ランクアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-11T03:38:16Z)
• 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)
• 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。