論文の概要: Identification and Inference for Algorithmic Frontiers with Selective Labels

• arxiv url: http://arxiv.org/abs/2606.14977v1
• Date: Fri, 12 Jun 2026 21:59:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.553303
• Title: Identification and Inference for Algorithmic Frontiers with Selective Labels
• Title（参考訳）: 選択ラベルを用いたアルゴリズムフロンティアの同定と推論
• Authors: Yiqi Liu, Francesca Molinari, Amilcar Velez,
• Abstract要約: 本稿では,FAフロンティアを特徴付けるための識別結果と,仮説を検証するための統計的推論ツールを提供する。 本稿では、偏りのある機械学習推定器を提案し、その分布を導出し、FAフロンティアの推論にどのように使用できるかを示す。
• 参考スコア（独自算出の注目度）: 3.448541679454346
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper provides identification results to characterize a fairness-accuracy (FA) frontier, and statistical inference tools to test hypotheses and build a confidence set for the FA-frontier, when outcomes are observed only for selected individuals. When the selection process is unrestricted but loss is measured in specific ways, we provide a characterization of the sharp identification region of the FA-frontier. Under an assumption of unconfoundedness conditional on observables (and unrestricted loss functions), we obtain point identification and propose a debiased machine learning estimator, derive its asymptotic distribution, and show how this can be used to carry out inference for the FA-frontier. In work in progress, we extend the partial identification results to a broader class of loss functions.
• Abstract（参考訳）: 本論文は,FAフロンティアの正当性(fairness-accuracy, FAフロンティア)を特徴付けるための識別結果と,特定の個人に対してのみ結果が観察された場合に,仮説を検証し,FAフロンティアの信頼度セットを構築するための統計的推論ツールを提供する。 選択過程が制限されないが、特定の方法で損失を測定する場合、FAフロンティアの鋭い識別領域のキャラクタリゼーションを提供する。 観測可能条件(および非制限損失関数)の仮定に基づき、ポイント識別を取得し、その漸近分布を導出し、FAフロンティアの推論にどのように使用できるかを示す。 進行中の作業では、部分的識別結果をより広範な損失関数のクラスに拡張する。

関連論文リスト

• Reliable and Reproducible Demographic Inference for Fairness in Face Analysis [63.46525489354455]
  本稿では、従来のエンドツーエンドトレーニングをモジュラートランスファー学習アプローチで置き換える、完全に再現可能なDAIパイプラインを提案する。 このパイプラインは、正確性、公正性、そしてアイデンティティ内整合性によって定義される、新たに導入された堅牢性の概念の3つの次元にわたって監査する。 以上の結果から,提案手法は特に民族性において,強い基準線を上回り,その特性はより困難であることが示唆された。
  論文  参考訳（メタデータ） (2025-10-23T12:22:02Z)
• Feature Attribution with Necessity and Sufficiency via Dual-stage Perturbation Test for Causal Explanation [18.485632810973122]
  FANS(Feature Attribution with Necessity and Sufficiency)を紹介する。 FANSは、この地区内の摂動サンプルが必要かつ十分(PNS)である確率が高く、予測の変化を引き起こすような入力の近傍を見つける。 FANSは6つのベンチマークで既存の属性法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-02-13T23:25:01Z)
• Uncertainty Estimation by Fisher Information-based Evidential Deep Learning [61.94125052118442]
  不確実性推定は、ディープラーニングを実用アプリケーションで信頼できるものにする鍵となる要素である。 漁業情報に基づくエビデンシャルディープラーニング(mathcalI$-EDL)を提案する。 特に,各サンプルが有する証拠の情報量を測定するためにFisher Information Matrix (FIM)を導入し,目的的損失項を動的に重み付けし,不確実なクラスの表現学習に集中させる。
  論文  参考訳（メタデータ） (2023-03-03T16:12:59Z)
• Null Hypothesis Test for Anomaly Detection [0.0]
  我々は、背景のみの仮説を除外した仮説テストを用いて、異常検出のための分類不要ラベルの使用を拡張した。 2つの識別されたデータセット領域の統計的独立性をテストすることで、固定された異常スコアのカットや、各領域間の背景推定の外挿に頼ることなく、背景のみの仮説を除外することができる。
  論文  参考訳（メタデータ） (2022-10-05T13:03:55Z)
• Bounding Counterfactuals under Selection Bias [60.55840896782637]
  本稿では,識別不能なクエリと識別不能なクエリの両方に対処するアルゴリズムを提案する。 選択バイアスによって引き起こされる欠如にもかかわらず、利用可能なデータの可能性は無限であることを示す。
  論文  参考訳（メタデータ） (2022-07-26T10:33:10Z)
• Error-based Knockoffs Inference for Controlled Feature Selection [49.99321384855201]
  本手法では, ノックオフ特徴量, エラーベース特徴重要度統計量, ステップダウン手順を一体化して, エラーベースのノックオフ推定手法を提案する。 提案手法では回帰モデルを指定する必要はなく,理論的保証で特徴選択を処理できる。
  論文  参考訳（メタデータ） (2022-03-09T01:55:59Z)
• Sparsity-based Feature Selection for Anomalous Subgroup Discovery [5.960402015658508]
  異常パターン検出は、正常性からの逸脱が明らかであり、ドメイン間で広く適用可能なインスタンスを特定することを目的としている。 効率的な発見のための原則的かつスケーラブルな特徴選択方法が欠如している点が一般的である。 本稿では,機能駆動オッズ比の分散化によるシステム結果のずれをエンコードする,疎度に基づく自動特徴選択フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-06T10:56:43Z)
• A fuzzy-rough uncertainty measure to discover bias encoded explicitly or implicitly in features of structured pattern classification datasets [0.0]
  保護属性と非保護属性の相関によって定義された非保護特徴に暗黙的に符号化されたバイアスの存在について検討した。 境界領域の変化を最も捉えるファジィ演算子と距離関数を決定するために感度解析を行う。
  論文  参考訳（メタデータ） (2021-08-20T10:27:32Z)
• Exploiting Sample Uncertainty for Domain Adaptive Person Re-Identification [137.9939571408506]
  各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。 不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
  論文  参考訳（メタデータ） (2020-12-16T04:09:04Z)

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。