論文の概要: FairDiffuseVQVAE: Sampling-Time Fairness in Tabular Diffusion via Conditional Refinement of Vector-Quantized Latents

• arxiv url: http://arxiv.org/abs/2607.28945v1
• Date: Fri, 31 Jul 2026 01:57:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.562469
• Title: FairDiffuseVQVAE: Sampling-Time Fairness in Tabular Diffusion via Conditional Refinement of Vector-Quantized Latents
• Title（参考訳）: FairDiffuseVQVAE:ベクター量子化潜伏剤の条件的精製による尿細管拡散におけるサンプリング時間フェアネス
• Authors: Nitish Nagesh, Mahdi Bagheri, Amir M. Rahmani,
• Abstract要約: フェアディフューズVQVAE(FairDiffuseVQVAE)は、フェアネスから忠実さを分離する2段階アーキテクチャである。 フェアネスはサンプリング分布の性質として現れる。 アダルト、バンク、CompASのデータセットでは、FairDiffuseVQVAEは最も平均的なデモグラフィックパリティ比を達成した。
• 参考スコア（独自算出の注目度）: 1.6444986611654075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Synthetic tabular data is increasingly used in privacy-preserving data sharing, data augmentation, and to mitigate downstream classifier bias. State-of-the-art tabular diffusion models such as TabDDPM and TabSyn achieve excellent distributional fidelity but offer no mechanism for fairness; conversely, fairness-aware tabular generators (DECAF, FairTGAN, FairTabDDPM) impose explicit fairness penalties at training time, yielding modest fairness gains at substantial cost to either sample quality or downstream utility. We introduce FairDiffuseVQVAE, a two-stage architecture that decouples fidelity from fairness: a vector-quantized autoencoder with a row-level discriminator (Stage~1, no fairness terms) is followed by a DiffuseVAE-style continuous diffusion refiner that conditions on both the Stage-1 reconstruction and the protected attribute via classifier-free guidance (Stage~2). Fairness emerges as a property of the sampling distribution -- uniform sampling of the protected attribute at inference time enforces demographic parity by construction, rather than from competing loss terms. On the Adult, Bank and COMPAS datasets, FairDiffuseVQVAE achieves the highest mean Demographic Parity Ratio ($0.702$, $+47\%$ over FairTabDDPM) and Equalized Odds Ratio ($0.686$, $+100\%$). It also attains the lowest mean pair-wise correlation error ($0.034$) of any published method, while explicitly trading $\sim$$15$ AUC points for these fairness gains.
• Abstract（参考訳）: 合成表データは、プライバシー保護データ共有、データ拡張、下流の分類器バイアスを軽減するためにますます利用されている。 TabDDPMやTabSynのような最先端の表層拡散モデルは、優れた分布忠実性を実現するが、フェアネスのメカニズムは提供しない。逆に、フェアネス対応の表層生成器(DECAF、FairTGAN、FairTabDDPM)は、トレーニング時に明示的な公正さの罰則を課し、サンプル品質または下流ユーティリティのどちらかにかなりコストがかかる。 本稿では,FairDiffuseVQVAEについて述べる。FairDiffuseVQVAEは,FairDiffuseVQVAEの2段階アーキテクチャであり,FairDiffuseVQVAEは,FairDiffuseVQVAEとFairDiffuseVQVAEの2段階アーキテクチャである。 フェアネスはサンプリング分布の特性として現れる -- 推論時の保護属性の均一なサンプリングは、競合する損失項ではなく、構造によって人口統計学的に同等である。 アダルト、バンク、CompASのデータセットでは、FairDiffuseVQVAEが最も高い平均値であるDemographic Parity Ratio(0.702$, $+47\%$ over FairTabDDPM)とEqualized Odds Ratio(0.686$, $+100\%$)を達成している。 また、公表されたメソッドの最小対相関誤差(0.034$)を得ると同時に、これらのフェアネスゲインに対して$\sim$$15$AUCポイントを明示的に取引する。

関連論文リスト

• Functional Bilevel Optimization for Predictive Fairness [25.649081304879218]
  本稿では, DPVar による人口統計学的同値性, センシティブな属性による条件平均予測のばらつきについて考察し, その最適化が機能的二段階問題をもたらすことを示す。 この問題に対して,2つのアルゴリズムを提案する: FBO, 正方形の随伴体を用いて, 正方形空間を正確に過次的に得るために導出する FBO と, 回転しない内部ステップで微分し, 正方形の損失を超えて拡張する ITD である。
  論文  参考訳（メタデータ） (2026-07-06T13:56:16Z)
• Fair Finetuning Mitigates Distribution Inference Attacks [0.609170287691728]
  センシティブなデータに基づいてトレーニングされた機械学習モデルは、トレーニングディストリビューションに関する人口レベルの情報を不注意に漏洩させる可能性がある。 フェアファインチューニング (FFt: Fair Fine-tuning) モデルを提案する。 我々の研究は、モデルが測定したEO差分をDIAゲームにおける敵の優位性に直接接続する最初の形式的境界を提供する。
  論文  参考訳（メタデータ） (2026-06-01T05:34:19Z)
• Post-hoc Provider Fairness Adaptation via Hierarchical Exposure Alignment [54.58748721533078]
  ポストホックフェアネス適応(Post-hoc Fairness Adaptation, PFA)は、フリーズレコメンデータにフェアネスアダプタを装備する軽量フレームワークである。 ユーザアイコンの埋め込みから、フェアネスに対するステアプロバイダの露出まで、パーソナライズされた加算点調整を学習する。 PFAは無視できる精度の損失を伴ってかなりの公平性を達成し、一貫して強いベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-05-02T16:32:52Z)
• Learning Fairer Representations with FairVIC [1.4018975578160686]
  自動意思決定システムにおけるバイアスの緩和は、公平さとデータセット固有のバイアスのニュアンスな定義のために重要な課題である。 学習中の損失関数に分散項、不変項、共分散項を統合することにより、ニューラルネットワークの公平性を高める革新的なアプローチであるFairVICを導入する。 ベンチマークデータセットにおけるFairVICを,グループと個人の両方の公正性を考慮して比較して評価し,精度と公正性のトレードオフに関するアブレーション研究を行う。
  論文  参考訳（メタデータ） (2024-04-28T10:10:21Z)
• FairDP: Certified Fairness with Differential Privacy [55.51579601325759]
  本稿では,FairDPについて紹介する。FairDPは,トレーニングされたモデルの判断に対して,グループフェアネスの認定を提供するために設計された,新しいトレーニングメカニズムである。 FairDPの鍵となる考え方は、独立した個別グループのためのモデルをトレーニングし、データプライバシ保護のための各グループの勾配にノイズを加え、グループモデルの知識を統合して、下流タスクにおけるプライバシ、ユーティリティ、公正性のバランスをとるモデルを構築することである。
  論文  参考訳（メタデータ） (2023-05-25T21:07:20Z)
• 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)
• Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling [77.15766509677348]
  条件生成モデルは、トレーニングデータセットから急激な相関を継承することが多い。 これは別の潜在属性に対して不均衡なラベル条件分布をもたらす。 この問題を緩和するための一般的な2段階戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-05T08:09:33Z)

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。