論文の概要: Fair Classification with Efficient and Post-hoc Controllable Fairness-Accuracy Trade-off
- arxiv url: http://arxiv.org/abs/2606.28097v1
- Date: Fri, 26 Jun 2026 13:56:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.507451
- Title: Fair Classification with Efficient and Post-hoc Controllable Fairness-Accuracy Trade-off
- Title（参考訳）: 効率的かつポストホック制御可能なフェアネス-精度トレードオフによる公正な分類
- Authors: Maaya Sakata, Kazuto Fukuchi,
- Abstract要約: 本稿では,処理後フェア分類器のトレードオフ効率を向上させるために,効率的な特徴表現を学習する新しいフェア分類アルゴリズムを提案する。
実世界のデータセットを用いた実験結果から,本手法は再トレーニングを必要とせずに,処理方法に匹敵する,あるいは超越するトレードオフ効率を達成できることが示された。
- 参考スコア（独自算出の注目度）: 4.060731229044571
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Post-hoc controllability of fair machine learning models, the ability to control the trade-off between fairness and accuracy after training, is valuable for practical deployment. Existing post-processing methods provide such post-hoc controllability but often suffer from significant accuracy degradation, whereas in-processing methods achieve efficient trade-offs but require computationally expensive retraining for each change in trade-off ratio. To achieve both post-hoc controllability and efficient trade-offs, we propose a novel fair classification algorithm that learns effective feature representations to improve the trade-off efficiency of post-processing fair classifiers, by a gradient-based optimization approach. Experimental results on real-world datasets demonstrate that our method achieves trade-off efficiency comparable to, or even surpassing, in-processing methods, without requiring any retraining.
- Abstract（参考訳）: 公正な機械学習モデルのポストホック制御性、トレーニング後の公正性と正確性の間のトレードオフを制御する能力は、実践的なデプロイメントに有用である。
既存のポストプロセッシング法は、そのようなポストホック制御性を提供するが、しばしば相当な精度の劣化に悩まされる一方、インプロセッシング法は効率的なトレードオフを実現するが、トレードオフ比の変化ごとに計算コストがかかる。
ポストホック制御性と効率的なトレードオフを両立させるため,効率的な特徴表現を学習し,処理後の公平な分類器のトレードオフ効率を向上させるための,勾配に基づく最適化手法を提案する。
実世界のデータセットを用いた実験結果から,本手法は再トレーニングを必要とせずに,処理方法に匹敵する,あるいは超越するトレードオフ効率を達成できることが示された。
関連論文リスト
- General Post-Processing Framework for Fairness Adjustment of Machine Learning Models [0.0]
本稿では,多様な機械学習タスクに適用可能な公平度調整のための新しいフレームワークを提案する。
モデルトレーニングプロセスから公平性調整を分離することにより、我々のフレームワークは平均的なモデル性能を保ちます。
提案手法の有効性をAdversarial Debiasingと比較し,本フレームワークが実世界のデータセットに対して同等の公平さ/精度のトレードオフを実現することを示す。
論文 参考訳（メタデータ） (2025-04-22T20:06:59Z) - PYRA: Parallel Yielding Re-Activation for Training-Inference Efficient Task Adaptation [61.57833648734164]
本稿では, PYRA(Parallel Yielding Re-Activation)法を提案する。
PYRAは低圧縮率と高圧縮率の両方で競合する全ての手法より優れている。
論文 参考訳（メタデータ） (2024-03-14T09:06:49Z) - Achievable Fairness on Your Data With Utility Guarantees [16.78730663293352]
機械学習の公平性において、異なるセンシティブなグループ間の格差を最小限に抑えるトレーニングモデルは、しばしば精度を低下させる。
本稿では,各データセットに適合する公平性-正確性トレードオフ曲線を近似する計算効率のよい手法を提案する。
そこで我々は,モデルフェアネスを監査するための堅牢な枠組みを実践者に提供し,評価の不確実性を定量化する新しい手法を提案する。
論文 参考訳（メタデータ） (2024-02-27T00:59:32Z) - FRAPPE: A Group Fairness Framework for Post-Processing Everything [48.57876348370417]
本稿では,任意の正規化インプロセッシング手法をポストプロセッシング手法に変換するフレームワークを提案する。
理論的および実験を通して、我々のフレームワークは、内部処理で達成された優れた公正なエラートレードオフを保っていることを示す。
論文 参考訳（メタデータ） (2023-12-05T09:09:21Z) - 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) - Promoting Fairness through Hyperparameter Optimization [4.479834103607383]
この研究は、現実世界の不正検出アプリケーションの文脈において、従来のMLモデル開発から生じる不公平さを探求する。
本稿では,一般的な3つのhoアルゴリズム,fair random search,fair tpe,fairbandの提案と評価を行う。
我々は、現実の銀行口座の不正使用事例のオープニングと、フェアネス文献からの3つのデータセットに対するアプローチを検証する。
論文 参考訳（メタデータ） (2021-03-23T17:36:22Z)
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。