論文の概要: Towards Provably Fair Machine Learning: Bayesian Approaches For Consistent and Transparent Predictions

• arxiv url: http://arxiv.org/abs/2606.12615v1
• Date: Wed, 10 Jun 2026 19:16:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-12 15:55:27.42585
• Title: Towards Provably Fair Machine Learning: Bayesian Approaches For Consistent and Transparent Predictions
• Title（参考訳）: 公平な機械学習を目指して: 一貫性と透明な予測のためのベイジアンアプローチ
• Authors: Owen O'Neill, Fintan Costello,
• Abstract要約: 本稿では,部分群予測における一貫性の原理的アルゴリズムを提案する。 我々の分類器は、ベースライン精度を越えながら、構築によってゼロ整合誤差を達成する。 マイノリティの人口層は不均等に小さなサブグループに集中している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: ML classifiers deployed in high-stakes domains produce predictions whose quality varies systematically across subgroups. For granular subgroups defined by intersections of multiple features, predictions are often inconsistent with the observed data: the model's outputs contradict the evidence available for that subgroup. This problem is exacerbated by regularisation, which improves aggregate performance by collapsing small subgroups into larger groups, disproportionately affecting demographic minorities. We define two requirements for consistent prediction: determinism (identical individuals receive identical predictions) and statistical consistency (we cannot reject, at significance level alpha, the hypothesis that the predictions for a subgroup were drawn from the Bayesian optimal target distribution inferred for that subgroup). From these requirements we derive the Fair Bayesian classifier, which enforces both across every group and subgroup simultaneously and abstains whenever no consistent deterministic prediction is possible. On three benchmark datasets (Adult, COMPAS, and Bank Marketing), standard classifiers produce statistically inconsistent predictions for a substantial proportion of subgroups. Our classifier achieves zero consistency error by construction while exceeding baseline accuracy and multicalibration on every dataset tested. Statistical consistency provides a principled foundation for prediction quality with direct implications for algorithmic fairness. Minority demographics are disproportionately concentrated in small subgroups, precisely where frequentist inference is least reliable; addressing this inference problem is therefore a necessary step toward fair ML. By enforcing Bayesian consistency at the finest resolution the data supports, the our classifier demonstrates that exhaustive subgroup fairness with principled abstention is achievable in practice.
• Abstract（参考訳）: ハイテイクドメインにデプロイされたML分類器は、サブグループ間で品質が体系的に変化する予測を生成する。 複数の特徴の交叉によって定義される粒度の部分群に対して、予測はしばしば観測されたデータと矛盾する。 この問題は、小さなサブグループを大きなグループに分割することで、人口マイノリティに不均等に影響を及ぼす、集合的パフォーマンスを改善する正規化によって悪化する。 決定論(同一の個人が同一の予測を受ける)と統計的整合性(意味レベルアルファでは、その部分群の予測は、その部分群に対して推定されるベイズ最適目標分布から引き出されたという仮説は否定できない)の2つの条件を定義した。 これらの要求から、すべての群と部分群の両方を同時に強制するフェアベイズ分類器を導出し、一貫した決定論的予測が不可能な場合に断定する。 3つのベンチマークデータセット(Adult、CompAS、Bank Marketing)では、標準分類器は、かなりの割合のサブグループに対して統計的に矛盾した予測を生成する。 我々の分類器は、試験されたデータセット毎に基準精度と多重校正を越えながら、構築によるゼロ整合誤差を達成する。 統計的一貫性は、アルゴリズムの公正性に直接的な意味を持つ予測品質の原則的な基盤を提供する。 マイノリティの人口層は不均等に小さなサブグループに集中しており、頻繁な推論が信頼性の低い場合に正確に集中しているため、この推論問題に対処することはフェアMLに向けた必要なステップである。 ベイズ整合性は, データの最も精細な解像度で実施することにより, 原理的棄却を伴う徹底的な部分群公正性を実現することができることを示す。

関連論文リスト

• How Useful is Causal Invariance for Domain Adaptation in Finite-Sample Settings? [58.740078141879984]
  機械学習モデルは、トレーニングされたソースディストリビューションとは異なるターゲットディストリビューションにデプロイされると、しばしば劣化する。 因果関係に基づく領域一般化における最近の研究は、共用因果構造が不変な予測因子を誘導する方法を示している。 本稿では,完全あるいは部分的な因果知識が,教師付きドメイン適応を確実に改善できるかどうかについて検討する。
  論文  参考訳（メタデータ） (2026-06-10T21:07:49Z)
• Size-adaptive Hypothesis Testing for Fairness [8.315080617799445]
  我々は、公正性評価を証拠に基づく統計的決定に変換する統一的、サイズ適応的、仮説テストフレームワークを導入する。 統計的パリティ差に対して中央限の結果が証明され、解析的信頼区間と、タイプI(偽陽性)エラーがレベル$alpha$で保証されるウォルド試験が導かれる。 小さな交叉群の長い尾に対して、完全ベイズ的ディリクレ・マルチノミカル推定器を導出する。
  論文  参考訳（メタデータ） (2025-06-12T11:22:09Z)
• Project-Probe-Aggregate: Efficient Fine-Tuning for Group Robustness [61.45587642780908]
  画像テキスト基礎モデルのパラメータ効率向上のための3段階のアプローチを提案する。 本手法は, マイノリティ標本同定とロバストトレーニングアルゴリズムの2つの重要な要素を改良する。 我々の理論分析は,PPAが少数群の識別を向上し,バランスの取れたグループエラーを最小限に抑えるためにベイズが最適であることを示している。
  論文  参考訳（メタデータ） (2025-03-12T15:46:12Z)
• 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)
• Statistical Inference for Fairness Auditing [4.318555434063274]
  我々は、このタスクを複数の仮説テストの観点から「フェアネス監査」とみなしている。 ブートストラップを用いて,グループ間のパフォーマンス格差を同時にバインドする方法を示す。 本手法は,モデルアンダーパフォーマンスの影響を受けるサブポピュレーションのフラグ付けや,モデルが適切に機能するサブポピュレーションの認証に利用できる。
  論文  参考訳（メタデータ） (2023-05-05T17:54:22Z)
• On Learning Fairness and Accuracy on Multiple Subgroups [9.789933013990966]
  両レベル対象として定式化することで,すべての部分群に対して公正な予測器を学習する原理的手法を提案する。 具体的には、サブグループ固有の予測器は、少量のデータと公正な予測器を通して下位層で学習される。 上位レベルでは、フェア予測器は全てのサブグループ固有の予測器に近接するように更新される。
  論文  参考訳（メタデータ） (2022-10-19T18:59:56Z)
• Selective Classification Can Magnify Disparities Across Groups [89.14499988774985]
  選択的分類は平均的精度を向上させることができるが、既存の精度格差を同時に増大させることができる。 禁忌の増大は、一部のグループでのアキュラシーを減少させることもある。 我々は,グループ間で類似のフルカバレッジ精度を実現する分散ロバストモデルを訓練し,選択分類が各グループを均一に改善することを示す。
  論文  参考訳（メタデータ） (2020-10-27T08:51:30Z)

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。