論文の概要: Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings

• arxiv url: http://arxiv.org/abs/2605.28233v1
• Date: Wed, 27 May 2026 09:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.948763
• Title: Geometry of Relaxed Fair Regression: A Unified Framework for Aware and Unaware Settings
• Title（参考訳）: リラクシド・フェア・レグレッションの幾何学: 認識・未知設定のための統一された枠組み
• Authors: M. Generali Lince, V. Divol, R. Flamary, S. Gaucher, P. Loiseau,
• Abstract要約: 緩和された公正性制約の下で正確な予測を得るための原則的手法は、ほとんど失われている。 本フレームワークは,エフェックウェアとエフェナウェアの両方を統一し,最適なトランスポートマップを用いて最適な予測関数を特徴付ける。 これらの理論的特徴に基づいて、実世界のベンチマーク上での最先端のベースラインの実装、計算効率、一貫した整合性、あるいは性能の向上を簡易に行うアルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Fairness-accuracy trade-offs are a central concern in the deployment of fairness-aware machine learning methods. When sensitive attributes are unavailable at inference time-the so called unawareness setting, principled methods for obtaining accurate predictions under relaxed fairness constraints are largely missing. In this work, we address this gap by formulating regression under a demographic parity penalty as an optimal transport problem. Our framework unifies both the \emph{aware} and \emph{unaware} settings and characterizes optimal prediction functions via optimal transport maps, under both squared Wasserstein-2 and Total Variation penalties. These results reveal that the choice of penalty reflects fundamentally different fairness philosophies: the Wasserstein penalty induces a smooth, population-wide compromise, while Total Variation enforces exact parity for a subset of individuals. Building on these theoretical characterizations, we propose an algorithm that is simple to implement, computationally efficient, and consistently matches or outperforms state-of-the-art baselines on real-world benchmarks.
• Abstract（参考訳）: フェアネスの精度のトレードオフは、フェアネスを意識した機械学習手法の展開における中心的な関心事である。 不注意設定と呼ばれる推論時に感度特性が利用できない場合、緩和された公正性制約の下で正確な予測を得るための原則的な方法がほとんど失われる。 本研究では,このギャップを最適輸送問題として,人口格差のペナルティに基づく回帰を定式化することによって解決する。 本フレームワークは, 最適トランスポートマップによる最適予測関数を, 正方形ワッサーシュタイン-2とトータル変分法の両方で特徴付ける。 ワッサーシュタインのペナルティはスムーズで人口全体の妥協を誘発し、トータル変分は個人のサブセットに対して正確なパリティを強制する。 これらの理論的特徴に基づいて、実世界のベンチマーク上での最先端のベースラインの実装、計算効率、一貫した整合性、あるいは性能の向上を簡易に行うアルゴリズムを提案する。

関連論文リスト

• Generalized Distributional Alignment Games for Unbiased Answer-Level Fine-Tuning [49.24876001249647]
  分散アライメントゲームフレームワークは、Answer-Level Fine-Tuning(ALFT)の強力な変分的視点を提供する これらのゲームの標準的なアルゴリズムは、小さなバッチから対数報酬を推定することに依存しており、ジェンセンの不等式により訓練を不安定にできる体系的なバイアスが生じる。 我々は、アライメントゲームを任意のブレグマン発散に一般化し、報酬を誘導する幾何の族に対して、証明可能な正確で偏りのない推定器を構築することができることを示す。
  論文  参考訳（メタデータ） (2026-05-04T10:34:42Z)
• Fair regression under localized demographic parity constraints [9.082079838093371]
  F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。 合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
  論文  参考訳（メタデータ） (2026-03-26T09:21:05Z)
• Stability and Generalization of Push-Sum Based Decentralized Optimization over Directed Graphs [55.77845440440496]
  プッシュベースの分散通信は、情報交換が非対称である可能性のある通信ネットワークの最適化を可能にする。 我々は、グラディエント・プッシュ(SGP)アルゴリズムのための統一的な一様安定性フレームワークを開発する。 重要な技術的要素は、2つの量に束縛された不均衡認識の一般化である。
  論文  参考訳（メタデータ） (2026-02-24T05:32:03Z)
• Generalized Linear Bandits: Almost Optimal Regret with One-Pass Update [70.38810219913593]
  非線形リンク関数を組み込んで古典線形モデルを拡張したコンテキスト型多武装バンディットフレームワークである一般化線形バンディット問題(GLB)について検討する。 GLBは現実世界のシナリオに広く適用できるが、その非線形性は計算効率と統計効率の両方を達成する上で大きな課題をもたらす。 本稿では,$mathcalO(1)$時間と1ラウンドあたりの空間複雑度をほぼ最適に再現するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-07-16T02:24:21Z)
• Accuracy vs. Accuracy: Computational Tradeoffs Between Classification Rates and Utility [6.99674326582747]
  トレーニングデータがよりリッチなラベルを含むような環境で、フェアネスの基礎と実用性と効率性との相互作用を再考する。 本研究では,標準的な教師あり学習よりもエビデンスに基づく公平性の概念をより高めるアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-05-22T10:26:30Z)
• Optimal Baseline Corrections for Off-Policy Contextual Bandits [61.740094604552475]
  オンライン報酬指標の偏りのないオフライン推定を最適化する意思決定ポリシーを学習することを目指している。 学習シナリオにおける同値性に基づく単一のフレームワークを提案する。 我々のフレームワークは、分散最適非バイアス推定器の特徴付けを可能にし、それに対する閉形式解を提供する。
  論文  参考訳（メタデータ） (2024-05-09T12:52:22Z)
• Costs and Benefits of Wasserstein Fair Regression [11.134279147254361]
  本稿では,レグレッション・セッティングにおける統計的パリティと精度の相違点を特徴付ける。 我々の下限はシャープでアルゴリズムに依存しておらず、単純な解釈を許している。 我々は,表現学習のレンズを用いて,公正回帰のための実用的なアルゴリズムを開発した。
  論文  参考訳（メタデータ） (2021-06-16T14:24:44Z)
• 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)
• Fair Regression with Wasserstein Barycenters [39.818025466204055]
  本稿では, 実数値関数を学習し, 実数値関数の制約を満たす問題について検討する。 予測された出力の分布は、センシティブな属性から独立することを要求する。 フェア回帰と最適輸送理論の関連性を確立し、最適なフェア予測器に対するクローズドフォーム表現を導出する。
  論文  参考訳（メタデータ） (2020-06-12T16:10:41Z)

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。