論文の概要: Demystifying the Optimal Fair Classifier in Multi-Class Classification
- arxiv url: http://arxiv.org/abs/2606.00656v1
- Date: Sat, 30 May 2026 10:00:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.576979
- Title: Demystifying the Optimal Fair Classifier in Multi-Class Classification
- Title（参考訳）: 複数クラス分類における最適公正分類器のデミスティフィケーション
- Abstract要約: フェア分類における課題として, (i) マルチクラス設定における最適精度・フェアネスフロンティアを特徴付けること, (ii) 異なる学習段階においてこの最適化を実現するための実用的なアルゴリズムを設計すること, について検討する。
本稿では,本手法の精度と公平性を両立させるための2つの属性ブラインドアルゴリズムを提案する。その2つの特性ブラインドアルゴリズムは,減算手法によるトレーニング中の公平な介入のためのプロセス内アプローチと,プラグイン推定による微調整出力確率の処理後アプローチである。
- 参考スコア（独自算出の注目度）: 21.824603447220454
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Ensuring fair and equitable treatment across diverse groups, particularly in multi-class classification tasks, poses a significant challenge due to the persistent biases inherent in machine learning models. Most existing bias mitigation techniques are tailored to binary settings, and the presence of multi-dimensional outputs and complex fairness mechanisms makes their extension to multi-class scenarios neither straightforward nor effective. In this paper, we investigate two fundamental, unresolved challenges in fair classification: (i) characterizing the optimal accuracy-fairness frontier in multi-class settings, and (ii) designing practical algorithms that attain this optimum in different training phases. To tackle these challenges, we first specify an analytically tractable probabilistic formulation of the optimal classifier under fairness constraints. Building upon this, we propose two attribute-blind algorithms to enforce fairness requirements in practice: an in-processing approach for fairness intervention during training via the reduction approach, and a post-processing approach for fine-tuning output probabilities with plug-in estimation. Theoretical analysis reveals that both methods converge to the optimal accuracy-fairness Pareto frontier. Experiments conducted on multiple datasets demonstrate the superior performance of our methods in balancing accuracy and fairness.
- Abstract（参考訳）: 多様なグループ、特に多クラス分類タスクにおける公平で公平な処理を保証することは、機械学習モデルに固有の永続的バイアスのために大きな課題となる。
既存のバイアス緩和技術の多くはバイナリ設定に合わせており、多次元出力と複雑な公平性メカニズムの存在は、単純でも効果的でもないマルチクラスのシナリオに拡張する。
本稿では,公正な分類における2つの基本的な未解決課題について考察する。
一 マルチクラス設定における最適精度・公正フロンティアの特徴付け及び
二 異なる訓練段階において、この最適化を実現するための実用的なアルゴリズムを設計すること。
これらの課題に対処するために、まず、フェアネス制約の下で最適な分類器を解析的に抽出可能な確率的定式化する。
そこで本研究では,2つの属性ブラインドアルゴリズムを提案し,その適用方法として,減算手法によるトレーニング中の公平な介入を行うプロセス内アプローチと,プラグイン推定による微調整出力確率の処理後アプローチを提案する。
理論的解析により、どちらの手法も最適精度・フェアネスのパレートフロンティアに収束することが明らかになった。
複数のデータセットで行った実験は、精度と公平性のバランスをとる上で、我々の手法の優れた性能を示す。
関連論文リスト
- Enforcing Fairness Where It Matters: An Approach Based on Difference-of-Convex Constraints [12.054667230143803]
我々は、予測モデルにより全てのスコア範囲で完全な公正性を達成することに集中し、ハイスコアとロースコアの両方の人口を確保する。
我々は,他の地域での柔軟性を維持しつつ,意思決定が最優先される中核として,新たな関心点を提案する。
所定のスコア範囲内での公平さを厳格に評価するために,2つの統計指標を導入する。
論文 参考訳（メタデータ） (2025-05-18T19:50:01Z) - ABCFair: an Adaptable Benchmark approach for Comparing Fairness Methods [12.774108753281809]
実世界の問題設定のデシラタに適応できるベンチマーク手法であるABCFairを紹介する。
我々はABCFairを、大規模、伝統的両方のデータセットとデュアルラベル(バイアス付き、バイアスなし)データセットの両方で事前、内、および後処理の手法に適用する。
論文 参考訳（メタデータ） (2024-09-25T14:26:07Z) - Boosting Fair Classifier Generalization through Adaptive Priority Reweighing [59.801444556074394]
より優れた一般化性を持つ性能向上フェアアルゴリズムが必要である。
本稿では,トレーニングデータとテストデータ間の分散シフトがモデル一般化性に与える影響を解消する適応的リライジング手法を提案する。
論文 参考訳（メタデータ） (2023-09-15T13:04:55Z) - Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。
本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。
そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
論文 参考訳（メタデータ） (2023-08-28T06:31:37Z) - Practical Approaches for Fair Learning with Multitype and Multivariate
Sensitive Attributes [70.6326967720747]
現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。
本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。
実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
論文 参考訳（メタデータ） (2022-11-11T11:28:46Z) - Fair and Optimal Classification via Post-Processing [10.163721748735801]
本稿では、分類問題における人口統計学の特質的トレードオフの完全な評価について述べる。
ランダム化および属性認識フェア分類器によって達成可能な最小誤差率は、ワッサーシュタイン・バリセンタ問題の最適値によって与えられることを示す。
論文 参考訳（メタデータ） (2022-11-03T00:04:04Z) - Group-Aware Threshold Adaptation for Fair Classification [9.496524884855557]
複数のフェアネス制約を克服する新しいポストプロセッシング手法を提案する。
理論的には,同条件下での既存手法よりも近似最適に近い上界を許容する。
実験の結果,本手法は最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-11-08T04:36:37Z) - 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) - Fairness with Overlapping Groups [15.154984899546333]
標準的なゴールは、複数の重なり合うグループ間での公平度メトリクスの平等を保証することである。
本稿では、確率論的人口分析を用いて、この標準公正分類問題を再考する。
提案手法は,既存のグループフェア分類手法を統一し,様々な非分解性性能指標と公正度尺度の拡張を可能にする。
論文 参考訳（メタデータ） (2020-06-24T05:01:10Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z) - Learning the Truth From Only One Side of the Story [58.65439277460011]
一般化線形モデルに焦点をあて、このサンプリングバイアスを調整しなければ、モデルは準最適に収束するか、あるいは最適解に収束しないかもしれないことを示す。
理論的保証を伴って適応的なアプローチを提案し、いくつかの既存手法を実証的に上回っていることを示す。
論文 参考訳（メタデータ） (2020-06-08T18:20:28Z)
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。