論文の概要: A Comprehensive View of Fairness through Distributional Stability

• arxiv url: http://arxiv.org/abs/2609.37061v1
• Date: Tue, 29 Sep 2026 09:00:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.349573
• Title: A Comprehensive View of Fairness through Distributional Stability
• Title（参考訳）: 分布安定性によるフェアネスの包括的考察
• Abstract要約: 本研究では,保護群の構成を変化させる摂動の下で,予測者の予測がどのように変化するかを検討する。 この観点では、公正性の古典的な概念は、特定の摂動に対する安定性として生じる。
• 参考スコア（独自算出の注目度）: 3.1978436369697882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We view fairness as a property of distributional stability. Rather than assessing a predictor under a fixed data distribution, we study how its predictions change under perturbations that modify the composition of protected groups. A predictor is fair if it remains stable under such shifts. Under this perspective, several classical notions of fairness arise as stability with respect to specific perturbations, with the associated unfairness gap given by a Lipschitz constant of a prediction-rate functional. This formulation also yields guarantees that hold uniformly over a range of demographic compositions at test time, without requiring knowledge of the deployment distribution. It leads to a learning procedure based on convex combinations of reweighted predictors, formulated as a second-order cone program, for which we establish generalization bounds. Experiments on standard benchmarks illustrate the approach.
• Abstract（参考訳）: 公平性は分布安定性の性質であると考えている。 固定されたデータ分布の下で予測器を評価するのではなく,保護群の構成を変化させる摂動の下で,その予測がどのように変化するかを検討する。 そのようなシフトの下で安定なままであれば、予測器は公平である。 この観点では、公正性の古典的な概念は特定の摂動に対する安定性として現れ、関連する不公平性ギャップは予測式函数のリプシッツ定数によって与えられる。 この定式化はまた、デプロイの分布に関する知識を必要とせずに、テスト時に様々な人口構成を均一に保持する保証を与える。 これにより、2次コーンプログラムとして定式化された重み付き予測器の凸結合に基づく学習手順が導かれ、一般化境界が確立される。 標準ベンチマークの実験では、アプローチが示されています。

関連論文リスト

• Model-Agnostic Online Certificate-Driven Calibration for Time Series Forecasting Under Distribution Shift [10.67793818865128]
  本稿では,時間的依存と分散シフトの下で有限サンプル証明書を生成するモデルに依存しないオンラインマーチンゲールフレームワークを提案する。 オンラインキャリブレーションは、予測前に観測されたターゲットウィンドウから計算されたソースリスクアンカー、後続のペナルティ、タイムアダプティブなミスマッチ項を組み合わせる。
  論文  参考訳（メタデータ） (2026-09-25T20:06:26Z)
• Analytic Planning under Uncertainty with Moment Closure [32.403961716203455]
  フルステートを解析的に伝播させることは、これを行うための原則的な方法を提供するが、伝統的に、トラクタブルな状態を維持するために制限的な政策や報酬構造を必要としてきた。 このような制約を伴わずに分散対応計画が可能であるかを検討する。 提案手法は, 連続制御における観測下での予測不確実性を良好に評価し, 目標分散を低減させる。
  論文  参考訳（メタデータ） (2026-08-03T17:17:00Z)
• A Gentle Introduction to Conformal Time Series Forecasting [0.0]
  このレビューは、非交換可能データに対処するために特別に設計された共形予測手法の最近の進歩をまとめるものである。 まず,弱依存性条件下での分割等角予測に対する有限サンプル保証を導出する理論的基礎を提示する。 次に、キャリブレーションデータを再重み付けしたり、残留分布を動的に更新したり、ターゲットのカバレッジレベルをリアルタイムで調整したりすることで、シリアル依存を軽減する最先端のアプローチを調査し、分類する。
  論文  参考訳（メタデータ） (2025-11-17T17:12:51Z)
• Conformal Prediction Sets with Improved Conditional Coverage using Trust Scores [52.92618442300405]
  有限サンプルにおいて、正確に分布のない条件付きカバレッジを達成することは不可能である。 本稿では,最も重要となる範囲を対象とするコンフォメーション予測アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2025-01-17T12:01:56Z)
• Bin-Conditional Conformal Prediction of Fatalities from Armed Conflict [0.5312303275762104]
  ユーザ定義サブセット間の一貫したカバレッジ率を確保することにより、標準コンフォメーション予測を強化するビン条件コンフォメーション予測(BCCP)を導入する。 標準共形予測と比較すると、BCCPは局所的カバレッジを改善するが、これはわずかに広い予測間隔のコストがかかる。
  論文  参考訳（メタデータ） (2024-10-18T14:41:42Z)
• Probabilistic Conformal Prediction with Approximate Conditional Validity [81.30551968980143]
  本研究では,共形手法の柔軟性と条件分布の推定を組み合わせ,予測セットを生成する手法を開発した。 我々の手法は、条件付きカバレッジの観点から既存の手法よりも一貫して優れています。
  論文  参考訳（メタデータ） (2024-07-01T20:44:48Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2023-10-17T20:30:16Z)
• Distribution-Free Finite-Sample Guarantees and Split Conformal Prediction [0.0]
  分割共形予測は、最小分布自由仮定の下で有限サンプル保証を得るための有望な道を表す。 1940年代に開発された分割共形予測と古典的寛容予測との関連性を強調した。
  論文  参考訳（メタデータ） (2022-10-26T14:12:24Z)
• When Rigidity Hurts: Soft Consistency Regularization for Probabilistic Hierarchical Time Series Forecasting [69.30930115236228]
  確率的階層的時系列予測は時系列予測の重要な変種である。 ほとんどの手法は点予測に焦点を絞っており、確率的確率分布を十分に調整していない。 ProFHiTは,階層全体の予測分布を共同でモデル化する完全確率的階層予測モデルである。
  論文  参考訳（メタデータ） (2022-06-16T06:13:53Z)

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。