論文の概要: Detecting and Mitigating Bias by Treating Fairness as a Symmetry Operation

• arxiv url: http://arxiv.org/abs/2606.06514v1
• Date: Tue, 02 Jun 2026 09:42:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-08 14:33:29.329682
• Title: Detecting and Mitigating Bias by Treating Fairness as a Symmetry Operation
• Title（参考訳）: ホモメトリー操作としての公正処理によるバイアスの検出と緩和
• Authors: Nishit Singh,
• Abstract要約: 我々は、バイアスを対称性の破れ演算として定式化し、損失に基づく正規化を対称性の回復機構として実装する。 ノイズ,相関,バイアスのレベルが異なる4つの合成データセットの枠組みを評価する。 このフレームワークは因果グラフの知識を必要とせず、計算的に軽量であり、ビットフリップとして定義可能なあらゆる感度属性に一般化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Machine learning systems deployed in high stakes socioeconomic settings routinely display bias. We formalize bias as a symmetry breaking operation: a classifier is fair if its outputs remain invariant under the counterfactual operation of switching a sensitive attribute, with merit features held fixed. We implement loss based regularization as a symmetry restoring mechanism and evaluate the framework on four synthetic datasets with varying levels of noise, correlation, and bias. The framework achieves upwards of 90\% violation reduction, with accuracy costs around 5\%. This framework does not require causal graph knowledge, is computationally lightweight, and generalizes to any sensitive attribute definable as a bit-flip, making it suitable for contexts where local sources of discrimination remain absent from mainstream benchmarks.
• Abstract（参考訳）: 高い利害関係に配置された機械学習システムは、常にバイアスを表示する。 偏差を対称性破り演算として定式化する: 分類器は、その出力が感度特性を切り替える反ファクト演算の下で不変のままであり、有理特性は一定である。 我々は、損失ベース正規化を対称性回復機構として実装し、ノイズ、相関、バイアスのレベルが異なる4つの合成データセット上でフレームワークの評価を行う。 このフレームワークは、約5倍の精度で、90倍の違反削減を実現する。 このフレームワークは因果グラフの知識を必要とせず、計算的に軽量であり、ビットフリップとして定義可能なあらゆる機密属性に一般化し、主要なベンチマークから差別のローカルソースが欠落している状況に適合する。

関連論文リスト

• Aligning Network Equivariance with Data Symmetry: A Theoretical Framework and Adaptive Approach for Image Restoration [71.51826063983434]
  画像復元は本質的に逆問題である。 非厳密対称性を制約として、復元逆問題を定式化する。 最適復元演算子の等値誤差はデータ対称性誤差と離散化メッシュサイズによって厳密に制限されていることを示す。
  論文  参考訳（メタデータ） (2026-05-13T16:22:19Z)
• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Probability-Entropy Calibration: An Elastic Indicator for Adaptive Fine-tuning [55.2818264614932]
  RankTunerは確率エントロピーキャリブレーション信号、相対ランクインジケータを導入し、予測分布の下で接地トラストークンのランクと期待ランクを比較する。 逆インジケータはトークン単位の相対尺度として使用され、微調整の目的を再重み付けし、真に未学習のトークンを更新する。
  論文  参考訳（メタデータ） (2026-02-02T07:27:19Z)
• Reducing Class-Wise Performance Disparity via Margin Regularization [82.81746960548382]
  ディープニューラルネットワークは、クラスバランスのデータでトレーニングされた場合でも、クラスレベルでの精度において大きな違いを示すことが多い。 本稿では,性能格差低減のためのMargin Regularization for Performance Disparity Reduction (MR$2$)を提案する。 分析の結果,クラスごとの機能変動がエラーにどのように寄与するかが明らかとなり,ハードクラスに対するより大きなマージンの利用が動機となった。
  論文  参考訳（メタデータ） (2026-01-30T12:56:08Z)
• Feature-Wise Mixing for Mitigating Contextual Bias in Predictive Supervised Learning [0.0]
  本稿では,コンテキストバイアスを緩和する機能ワイド混合フレームワークを提案する。 これは複数のコンテキストデータセットにまたがって機能表現を再配布することで実現された。 平均偏差は43.35%、統計的に有意な2乗誤差の減少を達成した。
  論文  参考訳（メタデータ） (2025-06-28T23:12:59Z)
• Implementation of an Asymmetric Adjusted Activation Function for Class Imbalance Credit Scoring [4.032608240950855]
  クレジットスコアリング(Credit score)は、銀行ローンにおける借主のデフォルト(PD)の確率を評価するための体系的なアプローチである。 このようなシナリオに関連するデータは、特徴的に不均衡であり、バイナリ分類が複雑である。 我々は、IR依存の非対称調整因子を組み込んだシグモイド活性化関数を組み込むことにより、革新的かつ単純で最適化されたアクティベーション関数を導入する。
  論文  参考訳（メタデータ） (2025-01-21T16:54:39Z)
• Instance-Specific Asymmetric Sensitivity in Differential Privacy [2.855485723554975]
  我々は指数的メカニズムを通して出力を選択するためのパラダイムを提供する以前の作業の上に構築する。 我々のフレームワークは、近接度メートル法をわずかに修正し、スパースベクトル技法の単純かつ効率的な応用を提供する。
  論文  参考訳（メタデータ） (2023-11-02T05:01:45Z)
• Simultaneous Improvement of ML Model Fairness and Performance by Identifying Bias in Data [1.76179873429447]
  トレーニング前にデータセットから削除すべき特定の種類のバイアスを記述したインスタンスを検出できるデータ前処理手法を提案する。 特に、類似した特徴を持つインスタンスが存在するが、保護属性の変動に起因するラベルが異なる問題設定では、固有のバイアスがデータセット内で引き起こされる、と主張する。
  論文  参考訳（メタデータ） (2022-10-24T13:04:07Z)
• Self-supervised debiasing using low rank regularization [59.84695042540525]
  純粋な相関は、ディープニューラルネットワークの強いバイアスを引き起こし、一般化能力を損なう可能性がある。 ラベルのないサンプルと互換性のある自己監督型脱バイアスフレームワークを提案する。 注目すべきは,提案フレームワークが自己教師付き学習ベースラインの一般化性能を著しく向上させることである。
  論文  参考訳（メタデータ） (2022-10-11T08:26:19Z)
• Fair Classification with Adversarial Perturbations [35.030329189029246]
  本研究は,学習サンプルの任意の$eta$-fractionを選択でき,保護属性を任意に摂動することができるような,万能な逆境の存在下での公平な分類について検討する。 我々の主な貢献は、精度と公正性に関する証明可能な保証を伴うこの逆条件で公平な分類法を学ぶための最適化フレームワークである。 我々は、自然な仮説クラスに対する我々のフレームワークの保証のほぼ正当性を証明している: どのアルゴリズムもはるかに精度が良く、より良い公正性を持つアルゴリズムは、より低い精度でなければならない。
  論文  参考訳（メタデータ） (2021-06-10T17:56:59Z)
• A Symmetric Loss Perspective of Reliable Machine Learning [87.68601212686086]
  平衡誤差率 (BER) の最小化において, 対称損失が破損ラベルからのロバストな分類をいかに生み出すかを検討する。 我々は、関連するキーワードからのみ学習したい問題において、AUC手法が自然言語処理にどのように役立つかを実証する。
  論文  参考訳（メタデータ） (2021-01-05T06:25:47Z)

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。