論文の概要: Do Counterfactually Fair Image Classifiers Satisfy Group Fairness? -- A Theoretical and Empirical Study
- arxiv url: http://arxiv.org/abs/2607.06603v1
- Date: Tue, 07 Jul 2026 01:48:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-09 22:50:30.148751
- Title: Do Counterfactually Fair Image Classifiers Satisfy Group Fairness? -- A Theoretical and Empirical Study
- Title（参考訳）: 対物的公正なイメージ分類は、満足度グループフェアネスを満足させるか? -- 理論的および実証的研究-
- Abstract要約: 画像分類タスクにおける対実的公正性(CF)を評価するための新しい画像データセットを構築する。
我々は,画像分類において,CFがグループフェアネス(GF)を含まないことを実証的に観察した。
そこで本研究では, 感度特性との相関を緩和するために, 簡易なベースライン, CKD(Fonerfactual Knowledge Distillation)を提案する。
- 参考スコア（独自算出の注目度）: 45.25582409464534
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The notion of algorithmic fairness has been actively explored from various aspects of fairness, such as counterfactual fairness (CF) and group fairness (GF). However, the exact relationship between CF and GF remains to be unclear, especially in image classification tasks; the reason is because we often cannot collect counterfactual samples regarding a sensitive attribute, essential for evaluating CF, from the existing images (\eg, a photo of the same person but with different secondary sex characteristics). In this paper, we construct new image datasets for evaluating CF by using a high-quality image editing method and carefully labeling with human annotators. Our datasets, \oursceleb and \ourslfw, build upon the popular image GF benchmarks; hence, we can evaluate CF and GF simultaneously. We empirically observe that CF does not imply GF in image classification, whereas previous studies on tabular datasets observed the opposite. We theoretically show that it could be due to the existence of a latent attribute $G$ that is correlated with, but not caused by, the sensitive attribute (\eg, secondary sex characteristics are highly correlated with hair length). From this observation, we propose a simple baseline, Counterfactual Knowledge Distillation (CKD), to mitigate such correlation with the sensitive attributes. Extensive experimental results on \oursceleb and \ourslfw demonstrate that CF-achieving models satisfy GF if we successfully reduce the reliance on $G$ (\eg, using CKD).
- Abstract（参考訳）: アルゴリズムフェアネスの概念は、反事実フェアネス(CF)やグループフェアネス(GF)など、様々なフェアネスの側面から積極的に研究されている。
しかし、CFとGFの正確な関係は、特に画像分類タスクにおいて不明であり、既存の画像からCFを評価するのに欠かせないセンシティブな属性に関する反実的なサンプルを収集できないことが原因である。
本稿では,高品質な画像編集手法と人間のアノテータを慎重にラベル付けすることで,CF評価のための新しい画像データセットを構築する。
我々のデータセットである \oursceleb と \ourslfw は、人気のあるイメージGFベンチマークの上に構築されているので、CF と GF を同時に評価できる。
画像分類においてCFはGFを含まないことを実証的に観察した。
理論的には,有意な属性と相関するが原因ではない潜伏属性$G$の存在が原因である可能性が示唆された(第2に,二次性特性は髪長と高い相関関係にある)。
そこで本研究では, 感度特性との相関を緩和するため, 簡易なベースラインであるCKD(Counterfactual Knowledge Distillation)を提案する。
G$(CKD,\eg, CKD)への依存度を下げることができれば, CF達成モデルがGFを満たすことを示す。
関連論文リスト
- Fairness Beyond Demographics: Optimizing Performance Across Appearance-Based Hidden Cohorts in Medical Imaging [9.646042362182866]
医用画像解析のためのラベルフリー隠れコホートフェアネス(LHCF)トレーニングパラダイムを導入する。
LHCFは画像の外観から発見された潜伏する亜集団の公平性に焦点を当てている。
提案したフェアネスベンチマークであるHIDFairBenchでは、LHCFが単一および複数階層の属性に対して最先端のフェアネス結果を提供することを示した。
論文 参考訳（メタデータ） (2026-05-28T12:07:24Z) - Towards Group Fairness with Multiple Sensitive Attributes in Federated Foundation Models [14.113154804954858]
フェデレーション・ファンデーション・モデル(FFM)の時代において、グループフェアネスの達成は、ますます顕著な問題となっている。
本稿では,FFMにおけるグループフェアネスとグループフェアネスの関係の因果解析に向けた最初の試みを行う。
我々は、FFM構造を拡張し、複数の機密属性を同時に交換し、因果発見と推論によってグループフェアネスの背後にある因果効果を定量化する。
論文 参考訳（メタデータ） (2025-06-23T15:09:14Z) - Intuitionistic Fuzzy Cognitive Maps for Interpretable Image Classification [2.130156029408832]
本稿では,新しいフレームワーク,Interpretable Intuitionistic Fuzzy Cognitive Maps(I2FCMs)を紹介する。
直観主義的なFCMは、その出力の質を評価するためのメカニズムを提供する。
提案されたI2FCMフレームワークは、CNNを含むDLモデルに適用でき、解釈可能である。
論文 参考訳（メタデータ） (2024-08-07T12:58:39Z) - Distributionally Generative Augmentation for Fair Facial Attribute Classification [69.97710556164698]
Facial Attribute Classification (FAC) は広く応用されている。
従来の手法で訓練されたFACモデルは、様々なデータサブポピュレーションにまたがる精度の不整合を示すことによって不公平である可能性がある。
本研究は,付加アノテーションなしでバイアスデータ上で公正なFACモデルをトレーニングするための,新しい世代ベースの2段階フレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-11T10:50:53Z) - Decompose-and-Compose: A Compositional Approach to Mitigating Spurious Correlation [2.273629240935727]
画像の要素を組み合わせることで相関シフトを改善するために,分解分解(DaC)を提案する。
経験的リスク最小化(Empirical Risk Minimization, ERM)で訓練されたモデルでは, 通常, 因果成分, あるいはラベルとの急激な相関性が高い成分のいずれかに高い関与が認められた。
トレーニング中に,グループラベルやスプリアスの特徴に関する情報を必要とせず,画像に介入してグループバランスを行う手法を提案する。
論文 参考訳（メタデータ） (2024-02-29T07:24:24Z) - Classes Are Not Equal: An Empirical Study on Image Recognition Fairness [100.36114135663836]
我々は,クラスが等しくないことを実験的に証明し,様々なデータセットにまたがる画像分類モデルにおいて,公平性の問題が顕著であることを示した。
以上の結果から,モデルでは認識が困難であるクラスに対して,予測バイアスが大きくなる傾向が示唆された。
データ拡張および表現学習アルゴリズムは、画像分類のある程度の公平性を促進することにより、全体的なパフォーマンスを向上させる。
論文 参考訳（メタデータ） (2024-02-28T07:54:50Z) - Debiasing Counterfactuals In the Presence of Spurious Correlations [0.98342301244574]
我々は、(i)人気のデバイアス分類器と(ii)対実画像生成の両方を統合した、最初のエンドツーエンドトレーニングフレームワークを紹介する。
以上の結果から, 人口全体にわたる一般化可能なマーカーを学習し, (ii) 急激な相関を無視し, 根底にある疾患の病理に焦点をあてる脱バイアス法が実証された。
論文 参考訳（メタデータ） (2023-08-21T19:01:45Z) - Spawrious: A Benchmark for Fine Control of Spurious Correlation Biases [8.455991178281469]
我々は,クラスと背景の素早い相関関係を含む画像分類ベンチマークスイートであるベンチマーク-O2O,M2M-Easy,Medium,Hardを提案する。
得られたデータセットは高品質で、約152Kの画像を含んでいる。
論文 参考訳（メタデータ） (2023-03-09T18:22:12Z) - Spuriosity Rankings: Sorting Data to Measure and Mitigate Biases [62.54519787811138]
本稿では,突発的手がかりに依存したモデルバイアスを簡易かつ効果的に測定・緩和する手法を提案する。
我々は,解釈可能なネットワークの深部神経的特徴をベースとして,それらのクラス内の画像のランク付けを行う。
以上の結果から,素早い特徴依存によるモデルバイアスは,モデルがどのようにトレーニングされたかよりも,モデルがトレーニングされていることの影響がはるかに大きいことが示唆された。
論文 参考訳（メタデータ） (2022-12-05T23:15:43Z) - Inverse Image Frequency for Long-tailed Image Recognition [59.40098825416675]
Inverse Image Frequency (IIF) と呼ばれる新しいデバイアス法を提案する。
IIFは畳み込みニューラルネットワークの分類層におけるロジットの乗法的マージン調整変換である。
我々の実験では、IIFは長い尾のベンチマークにおいて、最先端の技術を超越していることが示されている。
論文 参考訳（メタデータ） (2022-09-11T13:31:43Z) - Tensor Composition Net for Visual Relationship Prediction [115.14829858763399]
画像の視覚的関係を予測するための新しいコンポジションネットワーク(TCN)を提案する。
TCNの鍵となる考え方は、視覚的関係テンソルの低階特性を利用することである。
本稿では,ttcnの画像レベルの視覚関係予測により,画像検索の簡便かつ効率的なメカニズムを示す。
論文 参考訳（メタデータ） (2020-12-10T06:27:20Z) - I Am Going MAD: Maximum Discrepancy Competition for Comparing
Classifiers Adaptively [135.7695909882746]
我々は、MAD(Maximum Discrepancy)コンペティションを命名する。
任意に大きいラベル付き画像のコーパスから小さなテストセットを適応的にサンプリングする。
結果のモデル依存画像集合に人間のラベルを付けると、競合する分類器の相対的な性能が明らかになる。
論文 参考訳（メタデータ） (2020-02-25T03:32:29Z)
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。