論文の概要: FairSelect: A Systematic Evaluation of Multi-Level and Intersectional Algorithmic Fairness
- arxiv url: http://arxiv.org/abs/2607.08953v1
- Date: Thu, 09 Jul 2026 21:27:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-13 14:47:12.743301
- Title: FairSelect: A Systematic Evaluation of Multi-Level and Intersectional Algorithmic Fairness
- Title（参考訳）: FairSelect:マルチレベルおよびインターセクションアルゴリズムフェアネスの体系的評価
- Abstract要約: アルゴリズムフェアネス法は、機械学習モデルにおけるバイアスの識別と緩和にますます利用されている。
フェアセレクト(FairSelect)とは、個別に、かつ、組み合わせて適用されるフェアネス緩和戦略を評価するツールキットである。
- 参考スコア（独自算出の注目度）: 0.5295211483828045
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Algorithmic fairness methods are increasingly used to identify and mitigate bias in machine learning models, yet most approaches are evaluated in isolation and along single demographic axes. This limits practical guidance for selecting fairness strategies, where disparities may arise across intersectional subgroups and across multiple stages of the modeling lifecycle. This work presents FairSelect, a toolkit for systematically evaluating fairness mitigation strategies applied individually and in combination across preprocessing, inprocessing, and postprocessing stages. FairSelect supports multiple model architectures, intersectional subgroup evaluation, and comparison of fairness utility tradeoffs across baseline, single method, and multi level configurations. The framework was validated using synthetic clinical datasets designed to represent specific bias mechanisms and a real-world replication of two-year stroke risk prediction among patients with atrial fibrillation. Synthetic experiments showed that targeted fairness methods generally reduced intended subgroup disparities, while combined strategies produced larger average fairness improvements with modest utility tradeoffs. In the clinical prediction task, mitigation effects were highly variable, with some combinations improving both fairness and predictive performance while others were ineffective or counterproductive. These findings demonstrate that fairness interventions interact in nonadditive and context dependent ways. FairSelect provides a practical framework for systematically identifying fairness strategies that improve subgroup equity while preserving model performance in clinical machine learning.
- Abstract（参考訳）: アルゴリズムフェアネス法は、機械学習モデルにおけるバイアスの識別と緩和にますます使われていますが、ほとんどのアプローチは分離され、単一の人口統計軸に沿って評価されます。
これにより、交差する部分群とモデリングライフサイクルの複数の段階に相違が生じ得る公正戦略を選択するための実践的なガイダンスが制限される。
この研究は、FairSelectという、前処理、インプロセッシング、後処理の段階にまたがって個別に、かつ組み合わせて適用される公正緩和戦略を体系的に評価するためのツールキットを提示している。
FairSelectは、複数のモデルアーキテクチャ、交差サブグループ評価、ベースライン、単一メソッド、マルチレベル構成間のフェアネスユーティリティトレードオフの比較をサポートする。
本フレームワークは心房細動患者の特定のバイアス機構と2年間の脳卒中リスク予測の現実的再現性を示すために設計された臨床データセットを用いて検証した。
合成実験の結果、目的のフェアネス法は一般に目的のサブグループ格差を減らし、組み合わせた戦略により、質素なユーティリティトレードオフによる平均フェアネスの改善が得られた。
臨床予測タスクでは、緩和効果は高度に変動し、一部の組み合わせは公正性と予測性能の両方を改善し、他の組み合わせは非効率あるいは非生産的であった。
これらの結果は、公平な介入が非付加的および文脈依存的な方法で相互作用することを示している。
FairSelectは、臨床機械学習におけるモデルパフォーマンスを維持しながら、サブグループエクイティを改善するフェアネス戦略を体系的に識別するための実践的なフレームワークを提供する。
関連論文リスト
- Demystifying the Optimal Fair Classifier in Multi-Class Classification [21.824603447220454]
フェア分類における課題として, (i) マルチクラス設定における最適精度・フェアネスフロンティアを特徴付けること, (ii) 異なる学習段階においてこの最適化を実現するための実用的なアルゴリズムを設計すること, について検討する。
本稿では,本手法の精度と公平性を両立させるための2つの属性ブラインドアルゴリズムを提案する。その2つの特性ブラインドアルゴリズムは,減算手法によるトレーニング中の公平な介入のためのプロセス内アプローチと,プラグイン推定による微調整出力確率の処理後アプローチである。
論文 参考訳（メタデータ） (2026-05-30T10:00:52Z) - A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。
非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
論文 参考訳（メタデータ） (2024-01-26T14:21:45Z) - Towards A Scalable Solution for Improving Multi-Group Fairness in
Compositional Classification [16.184530881074654]
そこで本研究では, 等価機会公平性向上のための自然なベースラインアプローチが, 媒介するグループ数, 再媒介する予測ラベル数の積と線形にスケールできることを示し, それらを非現実的なものにしている。
次に, タスクオーバーコンディショニングとグループインターリーブという2つの簡単な手法を導入し, このマルチグループマルチラベル構成において一定のスケーリングを実現する。
学術・実環境における実験結果から, この環境における緩和に向けた提案の有効性が示された。
論文 参考訳（メタデータ） (2023-07-11T18:55:27Z) - An Operational Perspective to Fairness Interventions: Where and How to
Intervene [9.833760837977222]
フェアネス介入の評価と文脈化のための包括的枠組みを提案する。
予測パリティに関するケーススタディで、我々のフレームワークを実証する。
グループデータを使わずに予測パリティを実現することは困難である。
論文 参考訳（メタデータ） (2023-02-03T07:04:33Z) - Contrastive Learning for Fair Representations [50.95604482330149]
訓練された分類モデルは、意図せずバイアスのある表現や予測につながる可能性がある。
対戦訓練のような既存の分類モデルのデバイアス化手法は、訓練に高価であり、最適化が困難であることが多い。
比較学習を取り入れたバイアス軽減手法を提案し、同じクラスラベルを共有するインスタンスに類似した表現を推奨する。
論文 参考訳（メタデータ） (2021-09-22T10:47:51Z) - MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
機械学習におけるマルチグループフェアネスの研究(MultiFair)
この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。
提案するフレームワークは多くの異なる設定に一般化可能である。
論文 参考訳（メタデータ） (2021-05-24T02:30:22Z) - Characterizing Fairness Over the Set of Good Models Under Selective
Labels [69.64662540443162]
同様の性能を実現するモデルセットに対して,予測公正性を特徴付けるフレームワークを開発する。
到達可能なグループレベルの予測格差の範囲を計算するためのトラクタブルアルゴリズムを提供します。
選択ラベル付きデータの実証的な課題に対処するために、我々のフレームワークを拡張します。
論文 参考訳（メタデータ） (2021-01-02T02:11:37Z) - Beyond Individual and Group Fairness [90.4666341812857]
本稿では,不公平な不公平な苦情に導かれる公平さの新しいデータ駆動モデルを提案する。
我々のモデルは、複数のフェアネス基準をサポートし、それらの潜在的な不整合を考慮に入れている。
論文 参考訳（メタデータ） (2020-08-21T14:14:44Z) - Towards Model-Agnostic Post-Hoc Adjustment for Balancing Ranking
Fairness and Algorithm Utility [54.179859639868646]
Bipartiteランキングは、ラベル付きデータから正の個人よりも上位の個人をランク付けするスコアリング機能を学ぶことを目的としている。
学習したスコアリング機能が、異なる保護グループ間で体系的な格差を引き起こすのではないかという懸念が高まっている。
本稿では、二部構成のランキングシナリオにおいて、それらのバランスをとるためのモデル後処理フレームワークを提案する。
論文 参考訳（メタデータ） (2020-06-15T10:08:39Z)
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。