論文の概要: Multi-Sensitive Distributional Fairness: Joint Wasserstein Audits and Shapley Allocation
- arxiv url: http://arxiv.org/abs/2610.19252v1
- Date: Tue, 13 Oct 2026 22:13:30 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.826442
- Title: Multi-Sensitive Distributional Fairness: Joint Wasserstein Audits and Shapley Allocation
- Title（参考訳）: 多感性分布フェアネス:ジョイント・ワッサースタイン・オーディットとシェープリー・アロケーション
- Abstract要約: ワッサーシュタイン幾何を用いた実測値に対する分布的人口分布の同値性について検討する。
条件付きおよびシーケンシャルな監査は、そのゼロセットを通して関節のパリティを特徴づける。
フルセル条件量子関数は、分散が結合格差であるヒルベルト値の確率変数を定義する。
- 参考スコア（独自算出の注目度）: 3.692363265082648
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Fairness audits with several sensitive attributes are often performed one coordinate at a time. This can miss purely intersectional disparities: a score may be independent of each sensitive coordinate while depending on their joint profile. We study distributional demographic parity for a real-valued score using one-dimensional Wasserstein geometry. We distinguish two complementary constructions. Conditional and sequential audits characterize joint parity through their zero sets, but their positive values do not generally decompose a fixed joint Wasserstein disparity. By contrast, full-cell conditional quantile functions define a Hilbert-valued random variable whose variance is the joint disparity. Conditional expectations of this quantile process induce a monotone information game: every reveal order yields an exact martingale decomposition of the same joint disparity, while Shapley values provide an order-free attribution across sensitive attributes. Under independent sensitive attributes, the game reduces to a Hoeffding-ANOVA decomposition and Shapley splits each interaction energy equally among its members; under dependence, orthogonality is lost and explicit formulas reveal suppression and redundancy effects that marginal audits can hide. We give fixed-grid estimators and permutation calibration, and illustrate the framework on synthetic examples and ACSIncome. The resulting framework separates three questions that are often conflated: whether joint distributional parity holds, how a fixed joint disparity decomposes along an information path, and how that disparity can be attributed across sensitive coordinates without privileging an ordering.
- Abstract（参考訳）: いくつかの微妙な属性を持つ公正監査は、一度に1つの座標が実行されることが多い。
これは純粋に交叉の相違を見逃しかねない:スコアは各感度座標から独立して、それらの関節のプロファイルに依存する。
一次元ワッサーシュタイン幾何を用いた実測値に対する分布的人口分布の同値性について検討する。
2つの補完的な構成を区別する。
条件付きおよびシーケンシャルな監査は、その零集合を通して関節のパリティを特徴づけるが、その正の値は一般に固定された関節のワッサーシュタイン格差を分解しない。
対照的に、フルセル条件量子関数は、分散が結合格差であるヒルベルト値の確率変数を定義する。
この量的過程の条件的期待はモノトン情報ゲーム(英語版)を誘導する: 全ての露光順序は同じ関節の相違を正確にマーチンゲール分解し、シェープリー値は感度特性にまたがる秩序のない帰属を与える。
独立した感度属性の下では、ゲームはHoeffding-ANOVA分解に還元され、Shapleyは各相互作用エネルギーをメンバー間で等しく分割する。
固定格子推定器と変分校正を行い、合成例とACSIncomeの枠組みを解説する。
結果として得られる枠組みは、関節分布パリティが成立するかどうか、固定された関節の相違が情報経路に沿ってどのように分解されるか、そして、その相違が秩序を損なうことなくセンシティブな座標間でどのように振る舞うかという3つの質問を分離する。
関連論文リスト
- Analytic detector responses and entanglement in constant-curvature spacetimes [2.857613509526453]
我々は、Unruh--DeWitt検出器と実、無質量、共形結合されたスカラー場に結合した解析応答関数を導出する。
ミンコフスキー、反ド・ジッター、ド・ジッターの時空におけるガウススイッチされた静的対に対して、先行次励起確率を得る。
3次元のBTZブラックホールでは、レジェンダー級数は放射的に降着する検出器の鋭く変化した応答を与える。
論文 参考訳（メタデータ） (2026-09-24T15:41:59Z) - Cluster-Based Dimensionality Reduction by Nonparametric Distributional Screening [1.4773309126683776]
我々は,2つ以上のクラスタに供給された分割を伴う高次元観測における次元の低減について検討する。
提案手法は,数サンプルのコルモゴロフ-スミルノフ分離統計量を用いて,クラスタ固有の経験分布関数を比較する。
得られた限界クラスタのサポートを形式化し、全ての座標に対して一貫した有限サンプル濃度を確立する。
論文 参考訳（メタデータ） (2026-09-06T21:58:59Z) - When Unpaired Sets Support Shared-Corruption Calibration: Moment Geometry and Two-Sample Precision [5.254084723324815]
観測間で共有される所定の低次元補正のために、観測およびクリーン参照セットは、固定モーメントの応答を通してのみ推論をサポートする。
この問題を2サンプルのモーメントキャリブレーションとして定式化し、局所的なランク、スケールされたモーメント感度、ソース境界共分散、モーメント整合性残差を組み合わせたランク認識情報状態について報告する。
論文 参考訳（メタデータ） (2026-08-11T04:39:54Z) - A Mathematical Theory of Ranking [0.0]
ランキングシステムはスカラースコアから順序付きリストを生成するが、ランキングそのものはペア比較にのみ依存する。
我々はこの観測を真面目に行う数学的理論を開発し、絶対的なスコアではなく対の辺りの分析を中心とする。
論文 参考訳（メタデータ） (2026-04-09T17:00:49Z) - Fundamental limits to contrast reversal of self-fidelity correlations [0.0]
測定設計においては、アンチコントラストのリードアウトを設計することが一般的である。
広義の入力アンサンブルに対して2つの進化を均一に反対にできるかどうかを問う。
我々は、ピアソン相関係数を、2つの進化の間の大域的対立のデバイスに依存しない尺度として採用する。
論文 参考訳（メタデータ） (2025-09-30T15:07:28Z) - Towards Self-Supervised Covariance Estimation in Deep Heteroscedastic Regression [102.24287051757469]
深部異方性回帰における自己教師付き共分散推定について検討する。
正規分布の間の2-ワッサーシュタイン距離の上界を導出する。
幅広い合成データセットと実データセットに対する実験により、提案された2-ワッサーシュタインと擬似ラベルアノテーションが結合した結果、計算的に安価で正確な深部ヘテロ代用回帰が導かれることが示された。
論文 参考訳（メタデータ） (2025-02-14T22:37:11Z) - Unsupervised Hashing with Similarity Distribution Calibration [127.34239817201549]
教師なしハッシュ法は、特徴空間内のデータポイント間の類似性をバイナリハッシュコードにマッピングすることで保存することを目的としている。
これらの方法は、連続的な特徴空間におけるデータポイント間の類似性が離散的なハッシュコード空間に保存されないという事実をしばしば見落としている。
類似性範囲はコードの長さによって制限され、類似性崩壊と呼ばれる問題を引き起こす可能性がある。
本稿では,この問題を緩和する新しい類似度分布法を提案する。
論文 参考訳（メタデータ） (2023-02-15T14:06:39Z) - Deconfounding Scores: Feature Representations for Causal Effect
Estimation with Weak Overlap [140.98628848491146]
推定対象の偏りを伴わずに高い重なりを生じさせる,デコンファウンディングスコアを導入する。
分離スコアは観測データで識別可能なゼロ共分散条件を満たすことを示す。
特に,この手法が標準正規化の魅力的な代替となることを示す。
論文 参考訳（メタデータ） (2021-04-12T18:50:11Z) - Fundamental Limits and Tradeoffs in Invariant Representation Learning [99.2368462915979]
多くの機械学習アプリケーションは、2つの競合する目標を達成する表現を学習する。
ミニマックスゲーム理論の定式化は、精度と不変性の基本的なトレードオフを表す。
分類と回帰の双方において,この一般的かつ重要な問題を情報論的に解析する。
論文 参考訳（メタデータ） (2020-12-19T15:24:04Z) - Distribution-free binary classification: prediction sets, confidence
intervals and calibration [106.50279469344937]
分布自由条件における二項分類のための不確実性定量化(キャリブレーション、信頼区間、予測セット)の3つの概念について検討する。
固定幅と一様質量の両双対の双対確率に対する信頼区間を導出する。
我々の「三脚」定理の結果として、双有理確率に対するこれらの信頼区間は分布自由キャリブレーションに繋がる。
論文 参考訳（メタデータ） (2020-06-18T14:17:29Z) - Disentangled Representation Learning with Wasserstein Total Correlation [90.44329632061076]
本稿では,変分オートエンコーダとワッサースタインオートエンコーダの設定に総相関を導入し,非絡み付き潜在表現を学習する。
批評家は、ワッサーシュタインの総相関項を推定する主な目的と共に、敵対的に訓練される。
提案手法は, 再建能力の犠牲が小さく, 絡み合いに匹敵する性能を有することを示す。
論文 参考訳（メタデータ） (2019-12-30T05:31:28Z)
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。