論文の概要: FairBED: A Bayesian Experimental Design Approach to Gathering Fairer Data

• arxiv url: http://arxiv.org/abs/2606.23515v1
• Date: Mon, 22 Jun 2026 16:02:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-24 18:37:22.215016
• Title: FairBED: A Bayesian Experimental Design Approach to Gathering Fairer Data
• Title（参考訳）: FairBED:Fairerデータ収集のためのベイズの実験的アプローチ
• Authors: Marcel Hedman, Emily Alger, Brieuc Lehmann, Chris Holmes, Tom Rainforth,
• Abstract要約: データセット自体の公平性を定量化するための新しい定式化を提供するFairBEDを紹介する。 次に、この手法を用いて実用的公平性を考慮したベイズ実験設計(BED)の目的を構築する。 FairBEDを用いて収集されたデータに基づいてトレーニングされたモデルが、フェアネス・精度のトレードオフを改善することを実証的に示す。
• 参考スコア（独自算出の注目度）: 11.172982841654047
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Frameworks for ensuring fairness in machine learning typically focus on learning fair models from existing data. But this endeavor is often undermined by biases already present in that data. We therefore look to modify the data acquisition process itself to help gather fairer data that is inherently more suitable for training fair predictors. To this end, we introduce FairBED, which provides novel formulations for quantifying the fairness of datasets themselves based on the idea that fair datasets should be uninformative about sensitive attributes. We then use this to construct practical fairness-aware Bayesian experimental design (BED) objectives that maximize expected information gain about the target quantity of interest while minimizing expected information gain about sensitive attributes. We further derive a theoretical link between FairBED and demographic parity, and show empirically that models trained on data gathered using FairBED provide improved fairness-accuracy trade-offs compared to randomly acquired data and conventional BED.
• Abstract（参考訳）: 機械学習における公正性を保証するフレームワークは、通常、既存のデータから公正なモデルを学ぶことに焦点を当てる。 しかし、この取り組みは、そのデータにすでに存在するバイアスによって、しばしば損なわれます。 したがって、我々はデータ取得プロセス自体を変更して、本質的に公正な予測者のトレーニングに適した、より公平なデータを集めることを目指している。 この目的のために、フェアデータセットはセンシティブな属性に対して非形式的であるべきだという考え方に基づいて、データセット自体のフェアネスを定量化するための新しい定式化を提供するFairBEDを紹介した。 次に,本手法を用いて,本手法を実用的公平性を考慮したベイズ実験設計 (BED) の目的を定式化し,対象物量に関する期待情報の獲得を最大化するとともに,感度特性に関する期待情報の獲得を最小化する。 さらに、FairBEDと人口統計学の相関関係を導出し、FairBEDを用いて収集されたデータに基づいて訓練されたモデルが、ランダムに取得されたデータや従来のBEDと比較して、フェアネス精度のトレードオフを改善することを実証的に示す。

関連論文リスト

• Incentivizing Truthfulness and Collaborative Fairness in Bayesian Learning [68.76184067877499]
  コラボレーション型機械学習は、複数のソースからのデータセットを使用して高品質なモデルをトレーニングする。 ソースにデータを共有するインセンティブを与えるため、既存のデータ評価手法は、送信されたデータに基づいて各ソースに適切な報酬を与える。 本稿では, (F) 協調フェアネスを保証し, (T) ベイズモデルの平衡における真さを動機付ける最初のメカニズムを提案する。
  論文  参考訳（メタデータ） (2026-05-12T10:02:23Z)
• Targeted Learning for Data Fairness [52.59573714151884]
  データ生成プロセス自体の公平性を評価することにより、公平性推論を拡張する。 我々は、人口統計学的平等、平等機会、条件付き相互情報から推定する。 提案手法を検証するため,いくつかのシミュレーションを行い,実データに適用する。
  論文  参考訳（メタデータ） (2025-02-06T18:51:28Z)
• Intriguing Properties of Data Attribution on Diffusion Models [33.77847454043439]
  データ帰属は、望ましいアウトプットをトレーニングデータに戻そうとする。 データ属性は、高直感的または著作権のあるデータを適切に割り当てるためのモジュールになっている。
  論文  参考訳（メタデータ） (2023-11-01T13:00:46Z)
• Learning for Counterfactual Fairness from Observational Data [62.43249746968616]
  公正な機械学習は、人種、性別、年齢などの特定の保護された(感受性のある)属性によって記述されるある種のサブグループに対して、学習モデルのバイアスを取り除くことを目的としている。 カウンターファクトフェアネスを達成するための既存の手法の前提条件は、データに対する因果モデルの事前の人間の知識である。 本研究では,新しいフレームワークCLAIREを提案することにより,因果関係を付与せずに観測データから対実的に公正な予測を行う問題に対処する。
  論文  参考訳（メタデータ） (2023-07-17T04:08:29Z)
• Fair-CDA: Continuous and Directional Augmentation for Group Fairness [48.84385689186208]
  公正な制約を課すための詳細なデータ拡張戦略を提案する。 グループ間の感性のある特徴の遷移経路のモデルを正規化することにより、グループフェアネスを実現することができることを示す。 提案手法はデータ生成モデルを仮定せず,精度と公平性の両方に優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-04-01T11:23:00Z)
• Chasing Fairness Under Distribution Shift: A Model Weight Perturbation Approach [72.19525160912943]
  まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。 次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。 これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
  論文  参考訳（メタデータ） (2023-03-06T17:19:23Z)
• 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)
• Fairness Reprogramming [42.65700878967251]
  モデル再プログラミング手法を取り入れたFairRe Programと呼ばれる新しい汎用フェアネス学習パラダイムを提案する。 具体的には、FairRe Programはモデルを変更することができず、フェアネストリガと呼ばれる一連の摂動を入力に追加するケースについて検討している。 我々は,固定MLモデルの出力予測において,公平性トリガが効果的に人口統計バイアスを曖昧にすることができることを理論的および実証的に示す。
  論文  参考訳（メタデータ） (2022-09-21T09:37:00Z)

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。