論文の概要: Counterfactually Fair Regression via Optimal Transport

• arxiv url: http://arxiv.org/abs/2605.28251v1
• Date: Wed, 27 May 2026 10:00:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-28 17:38:55.954362
• Title: Counterfactually Fair Regression via Optimal Transport
• Title（参考訳）: 最適輸送による非現実的公正回帰
• Authors: M. Generali Lince, S. Gaucher, J-J. Vie, P. Loiseau,
• Abstract要約: 我々は,新しい後処理推定器の理論的公正性を保証することに注力する。 ほぼ公平な予測の過剰なリスクに対する、一致した低い境界を提供する。 実世界のデータと合成データに対する我々のアプローチを検証する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We consider the problem of learning a counterfactually fair regressor. We adopt a causal uncertainty view in which counterfactual fairness is defined with resampled noise. We focus on obtaining theoretical fairness guarantees for a new post-processing estimator. We begin by showing that counterfactual fairness is equivalent to satisfying demographic parity conditional on the latent variable. This allows us to provide a closed-form expression of the optimal fair regressor via a barycentric quantile map. In order to handle continuous latent variables, we propose a discretized post-processing method. Then, under mild regularity assumptions, we prove high-probability finite-sample fairness guarantees for our estimator, providing an unfairness decay at rate $\tilde O(n^{-1/3})$, and establishing a matching risk bound of order $\tilde O(n^{-1/3})$. We provide a matching lower bound on the excess risk of almost fair predictions. Finally, we extend our results to the setting of relaxed counterfactual fairness. We validate our approach on real-world and synthetic data.
• Abstract（参考訳）: 我々は,反実的に公正な回帰者を学ぶという問題を考察する。 我々は、反実的公正が再サンプリングされた雑音で定義される因果不確実性視点を採用する。 我々は,新しい後処理推定器の理論的公正性を保証することに注力する。 まず, 反実的公正性は, 潜伏変数のパリティ条件を満たすことと同値であることを示す。 これにより、バリ中心の量子化写像を通して最適なフェア回帰器の閉形式表現を提供することができる。 連続潜時変数を扱うために,離散化後処理法を提案する。 そして、穏やかな正則性仮定の下で、我々の推定器に対して高い確率の有限サンプル公正性を保証することを示し、レート$\tilde O(n^{-1/3})$で不公平な減衰を与え、オーダー$\tilde O(n^{-1/3})$の一致リスク境界を確立する。 ほぼ公平な予測の過剰なリスクに対する、一致した低い境界を提供する。 最後に、我々は結果を緩和された反事実フェアネスの設定に拡張する。 実世界のデータと合成データに対する我々のアプローチを検証する。

関連論文リスト

• Learning Counterfactually Fair Models via Improved Generation with Neural Causal Models [3.0610592694343057]
  機械学習モデルを現実世界のアプリケーションにデプロイする際の主な関心事のひとつは、公平性である。 既存のカウンターファクトフェアネスの実施方法には2つの制限があるようである。 本稿では,反現実的なサンプルを生成するためにニューラル因果モデルを提案する。 また,MMDをベースとした新たな正規化手法を提案する。
  論文  参考訳（メタデータ） (2025-02-18T11:59:03Z)
• 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)
• Consistent End-to-End Estimation for Counterfactual Fairness [56.9060492313073]
  本稿では, 対実フェアネスの予測を行うための新しい対実フェアネス予測器を提案する。 我々は,本手法が対実公正性の概念を確実にするのに有効であることを理論的に保証する。
  論文  参考訳（メタデータ） (2023-10-26T17:58:39Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• Fairness through Aleatoric Uncertainty [18.95295731419523]
  フェアネス・ユーティリティ・トレードオフを改善するために、アレタリック不確実性(例えば、データのあいまいさ)を活用するという考え方を紹介します。 我々の中心的な仮説は、アレタリック不確実性はアルゴリズムの公正性の鍵となる要素であるということである。 次に,アレータリック不確実性が高い場合の公平性を向上し,他の分野での有効性を向上させるための基本モデルを提案する。
  論文  参考訳（メタデータ） (2023-04-07T13:50:57Z)
• Achieving Fairness with a Simple Ridge Penalty [0.0]
  本稿では,このタスクに対して,ユーザ定義の公平度制約を適用した,よりフレキシブルなアプローチを提案する。 我々の提案は、以前のアプローチの3つの制限を生んでいる。
  論文  参考訳（メタデータ） (2021-05-18T15:43:57Z)
• Fair Densities via Boosting the Sufficient Statistics of Exponential Families [72.34223801798422]
  フェアネスのためのデータ前処理にブースティングアルゴリズムを導入する。 私たちのアプローチは、最小限の公平性を確保しながら、より良いデータフィッティングへとシフトします。 実世界のデータに結果の質を示す実験結果が提示される。
  論文  参考訳（メタデータ） (2020-12-01T00:49:17Z)
• 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。