論文の概要: Data Bias Mitigation under Coverage Constraints & The Price of Fairness

• arxiv url: http://arxiv.org/abs/2606.20461v1
• Date: Thu, 18 Jun 2026 16:43:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.993381
• Title: Data Bias Mitigation under Coverage Constraints & The Price of Fairness
• Title（参考訳）: カバー制約下におけるデータバイアス低減とフェアネスの価格
• Authors: Bruno Scarone, Alfredo Viola, Renée J. Miller,
• Abstract要約: 我々は、グループ間で十分な表現を強制するカバレッジ制約を組み込むために、最近のバイアス軽減フレームワークを拡張します。 我々のソリューションは、カバレッジ制約を満たすとともに、データ効率を高めるためにバイアスの小さな近似誤差を交換する。 これは、規制が特定の公正性閾値を規定する法的コンプライアンスと、データガバナンスの両方に必須である。
• 参考スコア（独自算出の注目度）: 1.94517837762427
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Machine learning models have been shown to exhibit discriminatory outcomes or degraded performance for individuals at the intersection of multiple sensitive attributes, such as race and gender. This stems in part from two interrelated challenges: the lack of principled measures for quantifying bias (potentially intersectional), and insufficient representation of intersectional subgroups in training data. We extend a recent bias mitigation framework to incorporate coverage constraints that enforce sufficient representation across groups, including intersectional subgroups. Since achieving exactly zero bias for all groups may not be data efficient (meaning it may require large amounts of data), our solution trades small approximation errors in bias for greater data efficiency while satisfying coverage constraints. We also formulate bias mitigation as an integer linear program that optimizes over all mitigation strategies, and characterize the price of fairness, the minimum data modification cost, as a function of fairness tolerance. This is essential both for legal compliance, where regulations may mandate specific fairness thresholds, and for data governance, enabling practitioners to make informed trade-offs between bias reduction and data modification (particularly, data purchasing) costs. We evaluate our techniques on publicly available datasets, demonstrating that bias mitigation via our framework preserves predictive accuracy across multiple classifiers, and that coverage constraints, while motivated by statistical considerations, are essential for preserving downstream ML performance.
• Abstract（参考訳）: 機械学習モデルは、人種や性別など、複数のセンシティブな属性の交差において、個人に対して差別的な結果または低下したパフォーマンスを示すことが示されている。 これは、バイアス(潜在的に交叉)を定量化するための原則的尺度の欠如と、訓練データにおける交叉部分群の表現不足である。 交差部分群を含むグループ間で十分な表現を強制するカバレッジ制約を組み込むため、最近のバイアス緩和フレームワークを拡張します。 全てのグループに対して正確にゼロバイアスを達成することは、データ効率(つまり大量のデータを必要とする可能性がある)ではないので、我々のソリューションは、カバレッジ制約を満たしながら、より大きなデータ効率のためにバイアスの小さな近似誤差を交換する。 また、全ての緩和戦略を最適化する整数線形プログラムとしてバイアス緩和を定式化し、公正性耐性の関数として、最小データ修正コストである公正さの価格を特徴付ける。 これは、規制が特定の公正性閾値を規定する法的なコンプライアンスと、データガバナンスの両方に必須であり、実践者がバイアス低減とデータ修正(特にデータ購入)コストの間の情報的なトレードオフを可能にする。 提案手法を公開データセット上で評価することにより,フレームワークによるバイアス低減が複数の分類器をまたいだ予測精度を保ち,統計的に考慮された範囲の制約は,下流MLのパフォーマンスの維持に不可欠であることを示す。

関連論文リスト

• Fairness for the People, by the People: Minority Collective Action [50.29077265863936]
  機械学習モデルは、トレーニングデータに存在するバイアスを保存し、一部の少数民族を不公平に扱う。 我々は,企業のトレーニングプロセスを変更することなく,公正性を高めるために,自らのデータを戦略的に再ラベルする調整されたマイノリティグループを提案する。 以上の結果から,少数民族のサブグループは,全体の予測誤差に少なからぬ影響で,不公平さを著しく低減できることが明らかとなった。
  論文  参考訳（メタデータ） (2025-08-21T09:09:39Z)
• Identifying and Mitigating Social Bias Knowledge in Language Models [52.52955281662332]
  個々人の社会的偏見をきめ細かなキャリブレーションを可能にする新しいデバイアス・アプローチであるFairness Stamp(FAST)を提案する。 FASTは最先端のベースラインを超え、デバイアス性能が優れている。 これは、大きな言語モデルにおける公平性を達成するためのきめ細かいデバイアス戦略の可能性を強調している。
  論文  参考訳（メタデータ） (2024-08-07T17:14:58Z)
• Fairness Without Harm: An Influence-Guided Active Sampling Approach [32.173195437797766]
  我々は、モデルの精度に害を与えることなく、グループフェアネスの格差を軽減するモデルを訓練することを目指している。 公正なアクティブな学習アプローチのような現在のデータ取得方法は、通常、アノテートセンシティブな属性を必要とする。 トレーニンググループアノテーションに依存しない抽出可能なアクティブデータサンプリングアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-02-20T07:57:38Z)
• 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)
• On Comparing Fair Classifiers under Data Bias [42.43344286660331]
  本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。 我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
  論文  参考訳（メタデータ） (2023-02-12T13:04:46Z)
• 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)
• Mitigating Algorithmic Bias with Limited Annotations [65.060639928772]
  機密属性が公開されていない場合、バイアスを軽減するために、トレーニングデータの小さな部分を手動でアノテートする必要がある。 本稿では,アルゴリズムバイアスの影響を最大限に排除するために,限定アノテーションを誘導する対話型フレームワークであるアクティブペナライゼーション・オブ・差別(APOD)を提案する。 APODは完全なアノテートバイアス緩和と同等のパフォーマンスを示しており、機密情報が制限された場合、APODが現実世界のアプリケーションに利益をもたらすことを実証している。
  論文  参考訳（メタデータ） (2022-07-20T16:31:19Z)
• Recovering from Biased Data: Can Fairness Constraints Improve Accuracy? [11.435833538081557]
  経験的リスク最小化(Empirical Risk Minimization, ERM)は、バイアスがあるだけでなく、真のデータ分布に最適な精度を持つ分類器を生成する。 公平性に制約されたERMによるこの問題の是正能力について検討する。 また、トレーニングデータの再重み付け、等化オッド、復号化パリティなど、他のリカバリ手法についても検討する。
  論文  参考訳（メタデータ） (2019-12-02T22:00:14Z)

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。