論文の概要: Fair Regression under Approximate Demographic Parity
- arxiv url: http://arxiv.org/abs/2610.25796v1
- Date: Mon, 19 Oct 2026 05:05:09 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-24 11:25:41.240652
- Title: Fair Regression under Approximate Demographic Parity
- Title（参考訳）: 近似復号法における公正回帰
- Abstract要約: 厳密な人口密度は、センシティブなグループ間で同じ予測分布を必要とする。
回帰では、これは制限されすぎ、予測精度が低下する可能性がある。
代わりに、選択された許容度により、群固有の予測分布の間にすべてのペアワイズン距離を束縛する。
- 参考スコア（独自算出の注目度）: 13.510347723959107
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Exact demographic parity requires the same prediction distribution across sensitive groups. In regression, this can be too restrictive and reduce predictive accuracy. We instead bound every pairwise Wasserstein distance between group-specific prediction distributions by a chosen tolerance, allowing the groups to differ while keeping fairness tunable. On the real line, the prediction and constrained transport problems have the same infimum. If the transport problem attains this value and suitable Monge maps exist, a deterministic transport-form predictor realizes it. Under a standard one-dimensional condition, the problem becomes a bounded quantile optimization that is convex when the conditional expected loss is convex in prediction. Under squared loss with two positively weighted groups, the $W_1$, $W_2$, and $W_\infty$ constraints yield soft-thresholding, shrinkage, and clipping. Under the stated conditions, we establish rates for the known-cost plug-in estimator. When the cost is unavailable, we describe an observed-loss computational proxy. Synthetic and California 2018 ACS studies illustrate the tunable fairness-accuracy trade-off and distinguish calibration feasibility from held-out fairness and accuracy.
- Abstract（参考訳）: 厳密な人口密度は、センシティブなグループ間で同じ予測分布を必要とする。
回帰では、これは制限されすぎ、予測精度が低下する可能性がある。
代わりに、群固有の予測分布間の任意のペアワイズワイズワッサーシュタイン距離を、選択された許容度によって制限し、公正性を維持しつつ、群を異なるものにすることができる。
実線上では、予測と制約された輸送問題は同じ無限大を持つ。
輸送問題がこの値に達し、適切なMonge写像が存在する場合、決定論的輸送形式予測器がそれを実現する。
標準的な一次元条件の下では、条件付き期待損失が予測において凸であるときに凸となる有界量子化最適化となる。
正に重み付けられた2つの群、$W_1$、$W_2$、$W_\infty$の2乗損失は、ソフトスレッディング、縮小、クリッピングをもたらす。
この条件下では、既知のコストのプラグイン推定器のレートを確立する。
コストが不要な場合、観測されたロスの計算プロキシを記述する。
Synthetic と California 2018 ACS の研究は、調整可能なフェアネス精度のトレードオフを示し、キャリブレーションの実現可能性と、保持されたフェアネスと精度を区別している。
関連論文リスト
- Adaptive Robust Confidence Sets in High Dimensions [60.353542776481596]
本研究では,不確実性を同時に定量化することにより,情報理論的に最適な適応信頼セットを構築することができることを示す。
統計的には最適であるが、この構成は計算的に不可能である。
論文 参考訳（メタデータ） (2026-10-11T16:00:46Z) - Vine Copula VAR:From Recursive Margins to Joint Forecast Inference [1.5781842475457006]
共同イベント予測は、推定依存モデルと現在の限界予測を組み合わせる。
安定なVine Copula VARにおいて, 正常なイノベーションマージンと, 固定された正のガウスまたは正のクレイトンブドウを用いて, 終末推定値との連関関係を導出する。
論文 参考訳（メタデータ） (2026-10-06T01:26:32Z) - How Synthetic Labels Improve Conformal Prediction: A Perspective on Conditional Coverage [7.273442425568326]
本研究は,少量の信頼性サンプルしか得られない場合に,合成ラベルが条件付きカバレッジを向上させることができるかどうかを考察する。
合成ラベル付きプールがピンボールリスクを推定し、ペアの信頼と合成の結果がそのバイアスを補正し、独立した信頼された分割が最終的な適合化を行う。
論文 参考訳（メタデータ） (2026-09-27T11:47:29Z) - Sharp training-conditional coverage for conformal prediction under covariate shift [0.0]
重み付き分割共形予測リウェイト 度合による校正スコア
キャリブレーションデータに基づくカバレッジ条件について検討する。
2点下界は、ルートmレートとカイ二乗寄与がシフトに固有のものであることを示している。
論文 参考訳（メタデータ） (2026-09-27T11:08:32Z) - PICPIs: Prediction-Interval-Conditional Prediction Intervals [47.78682744724085]
PICPI(Predict-Interval-Conditional Prediction Intervals)と呼ばれる予測ベースの条件付きフレームワークを提案する。
確率的予測と多クラス分類におけるPICPIの推論手順を理論的保証とともに導出した。
論文 参考訳（メタデータ） (2026-09-21T20:29:47Z) - Fair regression under localized demographic parity constraints [9.082079838093371]
F f |S=s (z m ) = $ell$m という形の CDF 制約をグループ的に課する,新規な (ell$, Z)-fair predictor を導入する。
合成データセットと実データセットの実験では、解釈可能なフェアネス精度のトレードオフが示され、決定関連量子またはしきい値に対するターゲット修正が可能である。
論文 参考訳（メタデータ） (2026-03-26T09:21:05Z) - DistDF: Time-Series Forecasting Needs Joint-Distribution Wasserstein Alignment [92.70019102733453]
トレーニング時系列予測モデルは、モデル予測の条件分布とラベルシーケンスの条件分布の整合性を必要とする。
本研究では,条件予測とラベル分布との差を最小限に抑えてアライメントを実現するDistDFを提案する。
論文 参考訳（メタデータ） (2025-10-28T16:09:59Z) - Semiparametric conformal prediction [79.6147286161434]
ベクトル値の非整合性スコアの結合相関構造を考慮した共形予測セットを構築する。
スコアの累積分布関数(CDF)を柔軟に推定する。
提案手法は,現実の回帰問題に対して,所望のカバレッジと競争効率をもたらす。
論文 参考訳（メタデータ） (2024-11-04T14:29:02Z) - Nearest Neighbor Sampling for Covariate Shift Adaptation [7.940293148084844]
重みを推定しない新しい共変量シフト適応法を提案する。
基本的な考え方は、ソースデータセットの$k$-nearestの隣人によってラベル付けされたラベル付けされていないターゲットデータを直接扱うことだ。
実験の結果, 走行時間を大幅に短縮できることがわかった。
論文 参考訳（メタデータ） (2023-12-15T17:28:09Z) - Equal Opportunity of Coverage in Fair Regression [50.76908018786335]
我々は、予測の不確実性の下で公正な機械学習(ML)を研究し、信頼性と信頼性のある意思決定を可能にする。
本研究は,(1)類似した結果の異なる集団に対するカバー率が近いこと,(2)人口全体のカバー率が一定水準にあること,の2つの特性を達成することを目的としたカバーの平等機会(EOC)を提案する。
論文 参考訳（メタデータ） (2023-11-03T21:19:59Z) - TIC-TAC: A Framework for Improved Covariance Estimation in Deep Heteroscedastic Regression [109.69084997173196]
奥行き回帰は、予測分布の平均と共分散を負の対数類似度を用いて共同最適化する。
近年の研究では, 共分散推定に伴う課題により, 準最適収束が生じる可能性が示唆されている。
1)予測共分散は予測平均のランダム性を真に捉えているか?
その結果, TICは共分散を正確に学習するだけでなく, 負の対数類似性の収束性の向上も促進することがわかった。
論文 参考訳（メタデータ） (2023-10-29T09:54:03Z)
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。