論文の概要: Training Fair Tabular Foundation Models

• arxiv url: http://arxiv.org/abs/2608.14211v1
• Date: Fri, 14 Aug 2026 11:40:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.368453
• Title: Training Fair Tabular Foundation Models
• Title（参考訳）: フェアタブラル基礎モデルの訓練
• Abstract要約: 合成フェアネスタスクに基づくスケーラブルなトレーニング戦略と、勾配反転層を用いたフェアネス対応アーキテクチャを提案する。 132のフェアネスタスクの実験は、競争精度を維持しながら、フェアネスが一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 16.092437823158402
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Tabular Foundation Models (TFMs) have emerged as leading methods for tabular predictive tasks, leveraging in-context learning to predict on new data without task-specific training. Despite the increased use of TFMs in high-stakes decision-making, their fairness properties remain largely unexplored. In this work, we incorporate fairness constraints directly into TFM training, enabling fair predictions in a single forward pass. Our approach addresses two key challenges: limited access to sensitive attributes in training data, and the incompatibility of existing fairness techniques with the in-context learning paradigm. We propose FairTFM, a scalable training strategy based on synthetic fairness tasks and a fairness-aware architecture using a gradient reversal layer, which encourages the model to learn representations invariant to sensitive attributes. Experiments on 132 fairness tasks show consistent improvements in fairness while maintaining competitive accuracy.
• Abstract（参考訳）: Tabular Foundation Models (TFMs) は、タスク固有のトレーニングなしで新しいデータを予測するためにコンテキスト内学習を活用する、表形式の予測タスクの先駆的手法として登場した。 高い意思決定において TFM の利用が増加しているにもかかわらず、その公正性は未解明のままである。 本研究では,TFMトレーニングに直接公正性制約を組み込むことで,一前方通過における公正な予測を可能にする。 提案手法は,トレーニングデータにおける機密属性へのアクセス制限と,コンテキスト内学習パラダイムによる既存公平性手法の非互換性という2つの課題に対処する。 合成フェアネスタスクに基づくスケーラブルなトレーニング戦略であるFairTFMと、勾配反転層を用いたフェアネス対応アーキテクチャを提案する。 132のフェアネスタスクの実験は、競争精度を維持しながら、フェアネスが一貫した改善を示す。

関連論文リスト

• SkillTFM: Gated Skill Evolution for Training-Free Adaptation of Tabular Foundation Models [59.078670951794415]
  SkillTFMは,Tarbular Foundation Modelsをエージェントスキルのゲート進化から再利用可能なスキルへ移行する学習自由システムである。 SkillTFMは、シミュレーションされた境界設定と実世界の電力価格予測を通じて、AUCを0.128-0.142改善し、非線形境界AUCを0.699から0.898に引き上げる。
  論文  参考訳（メタデータ） (2026-08-06T15:09:02Z)
• Dual-level Modality Debiasing Learning for Unsupervised Visible-Infrared Person Re-Identification [59.59359638389348]
  本稿では,モデルと最適化の両レベルでのデバイアス処理を実装したデュアルレベルのモダリティ・デバイアス学習フレームワークを提案する。 ベンチマークデータセットの実験では、DMDLはモダリティ不変の特徴学習とより一般化されたモデルを可能にすることを示した。
  論文  参考訳（メタデータ） (2025-12-03T12:43:16Z)
• Learning Fair Representations with Kolmogorov-Arnold Networks [0.08594140167290099]
  予測モデルは、しばしば辺縁化群に対する差別的行動を示す。 既存の公正学習モデルはバイアスを軽減することを目的としていますが、公平性と正確性の間の最適なトレードオフを達成することは依然として課題です。 我々は,KAN(Kolmogorov-Arnold Networks)を公正な対角学習フレームワークに統合することを提案する。
  論文  参考訳（メタデータ） (2025-11-14T07:51:56Z)
• Fairness-Aware Low-Rank Adaptation Under Demographic Privacy Constraints [4.647881572951815]
  事前訓練された基礎モデルはローランド適応(LoRA)を用いて特定のタスクに適応することができる 既存のフェアネスを意識した微調整手法は、機密属性や予測器への直接アクセスに依存している。 分散方式でトレーニング可能なLoRAベースの微調整手法のセットを紹介する。
  論文  参考訳（メタデータ） (2025-03-07T18:49:57Z)
• 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)
• Fair Few-shot Learning with Auxiliary Sets [53.30014767684218]
  多くの機械学習(ML)タスクでは、ラベル付きデータサンプルしか収集できないため、フェアネスのパフォーマンスが低下する可能性がある。 本稿では,限定的なトレーニングサンプルを用いたフェアネス認識学習課題をemphfair few-shot Learning問題として定義する。 そこで我々は,学習した知識をメタテストタスクに一般化し,様々なメタトレーニングタスクに公平な知識を蓄積する新しいフレームワークを考案した。
  論文  参考訳（メタデータ） (2023-08-28T06:31:37Z)
• 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)
• FairIF: Boosting Fairness in Deep Learning via Influence Functions with Validation Set Sensitive Attributes [51.02407217197623]
  本稿では,FAIRIFという2段階の学習アルゴリズムを提案する。 サンプル重みが計算される再重み付きデータセットの損失を最小限に抑える。 FAIRIFは、様々な種類のバイアスに対して、フェアネスとユーティリティのトレードオフを良くしたモデルが得られることを示す。
  論文  参考訳（メタデータ） (2022-01-15T05:14:48Z)
• 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)
• Can Active Learning Preemptively Mitigate Fairness Issues? [66.84854430781097]
  データセットバイアスは、機械学習における不公平な原因の1つです。 不確実性に基づくALで訓練されたモデルが保護クラスの決定において公平であるかどうかを検討する。 また,勾配反転(GRAD)やBALDなどのアルゴリズム的公正性手法の相互作用についても検討する。
  論文  参考訳（メタデータ） (2021-04-14T14:20:22Z)
• FairALM: Augmented Lagrangian Method for Training Fair Models with Little Regret [42.66567001275493]
  現在、我々がモデルに提示するデータセットのバイアスのため、公正な公開トレーニングが不公平なモデルにつながることは受け入れられている。 そこで本研究では,モデルのトレーニング中に公平性を同時に課すメカニズムについて検討する。
  論文  参考訳（メタデータ） (2020-04-03T03:18:53Z)

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。