論文の概要: Individual Fairness via Local Predictive Consistency

• arxiv url: http://arxiv.org/abs/2610.33285v1
• Date: Fri, 23 Oct 2026 20:49:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.292085
• Title: Individual Fairness via Local Predictive Consistency
• Title（参考訳）: 局所的予測整合性による個人的公正性
• Abstract要約: 機械学習における個人的公正性は、類似した個人が同様の予測を受ける必要がある。 局所的な予測整合性は,一対の個人的公正性のノードレベルの緩和として検討する。 これにより、解釈可能なノードレベルの公正度スコアと、それに対応する正規化学習アプローチが得られる。
• 参考スコア（独自算出の注目度）: 0.49273070292463234
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Individual fairness in machine learning requires that similar individuals receive similar predictions. Most existing definitions are pairwise in nature, imposing a Lipschitz constraint that must hold either globally across all pairs of data instances or locally within specified neighborhoods. In practice, however, such pairwise constraints may be overly restrictive and may not directly identify which individuals receive locally inconsistent predictions. We study local predictive consistency as a node-level relaxation of pairwise individual fairness, where each prediction is compared with a similarity-weighted average of predictions in its local neighborhood. This yields an interpretable node-level fairness score and a corresponding regularized learning approach based on local residuals. Since graph-based individual fairness depends critically on the underlying similarity structure, we make the construction of the neighborhood graph explicit and discuss threshold selection through graph-coverage diagnostics. Our approach applies to binary classification, regression, and time-to-event prediction. We further compare this formulation with pairwise constraint-based approaches and analyze the resulting fairness--performance trade-offs.
• Abstract（参考訳）: 機械学習における個人的公正性は、類似した個人が同様の予測を受ける必要がある。 ほとんどの既存の定義は、本質的にはペアワイズであり、リプシッツの制約を課し、すべてのデータインスタンスにまたがってグローバルに保持するか、特定の近傍で局所的に保持しなければならない。 しかし実際には、そのような対の制約は過度に制限され、どの個人が局所的に矛盾した予測を受けるかを直接特定することができない。 局所的な予測整合性は,各予測をその近傍における類似度重み付き予測平均と比較し,一対の個人的公正度をノードレベルで緩和する手法として検討する。 これにより、解釈可能なノードレベルの公正度スコアと、局所的残差に基づいて対応する正規化学習アプローチが得られる。 グラフに基づく個人フェアネスは、基礎となる類似性構造に批判的に依存するため、近隣グラフの構築を明確にし、グラフ被覆診断によるしきい値の選択について議論する。 我々のアプローチは二項分類、回帰、時間対イベント予測に適用できる。 さらに、この定式化をペアの制約に基づくアプローチと比較し、結果の公平性-パフォーマンストレードオフを分析する。

関連論文リスト

• A Comprehensive View of Fairness through Distributional Stability [3.1978436369697882]
  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。
  論文  参考訳（メタデータ） (2026-09-29T09:00:49Z)
• When Individually Calibrated Models Become Collectively Miscalibrated [3.556355987197792]
  本研究では,個別に調整した予測器が戦略的に相互作用した場合に集団的に誤判定されることを示す。 正の相関関係を持つブライアスコアに基づくアグリゲーションでは、各エージェントの個別に最適なレポートは、正のクラス確率を体系的に過小評価する。 対照的に、VCGベースのアグリゲーションは、限界貢献に報いることでインセンティブを調整し、支配的な戦略的なインセンティブ互換性とほぼ最適のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-14T05:25:16Z)
• 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)
• Semi-supervised Learning For Robust Speech Evaluation [30.593420641501968]
  音声評価は、自動モデルを用いて学習者の口頭習熟度を測定する。 本稿では,半教師付き事前学習と客観的正規化を活用することで,このような課題に対処することを提案する。 アンカーモデルは、発音の正しさを予測するために擬似ラベルを用いて訓練される。
  論文  参考訳（メタデータ） (2024-09-23T02:11:24Z)
• Collaborative Heterogeneous Causal Inference Beyond Meta-analysis [68.4474531911361]
  異種データを用いた因果推論のための協調的逆確率スコア推定器を提案する。 異質性の増加に伴うメタアナリシスに基づく手法に対して,本手法は有意な改善を示した。
  論文  参考訳（メタデータ） (2024-04-24T09:04:36Z)
• Correcting Underrepresentation and Intersectional Bias for Classification [49.1574468325115]
  我々は、表現不足のバイアスによって破損したデータから学習する問題を考察する。 偏りのないデータの少ない場合、グループワイドのドロップアウト率を効率的に推定できることが示される。 本アルゴリズムは,有限VC次元のモデルクラスに対して,効率的な学習を可能にする。
  論文  参考訳（メタデータ） (2023-06-19T18:25:44Z)
• MD-split+: Practical Local Conformal Inference in High Dimensions [0.5439020425819]
  MD-split+は、局所化されたモデル性能に基づいてXパーティションを生成する、実用的な局所共形アプローチである。 我々は,我々の局所的分割が条件付き共形推論手法から期待される行動と哲学的にどのように一致しているかを論じる。
  論文  参考訳（メタデータ） (2021-07-07T15:19:16Z)
• Survival Cluster Analysis [93.50540270973927]
  異なるリスクプロファイルを持つサブポピュレーションを特定するために、生存分析には未解決の必要性がある。 このニーズに対処するアプローチは、個々の成果のキャラクタリゼーションを改善する可能性が高い。
  論文  参考訳（メタデータ） (2020-02-29T22:41:21Z)
• Fast Fair Regression via Efficient Approximations of Mutual Information [0.0]
  本稿では, 回帰モデルに対する独立性, 分離性, 充足性グループフェアネス基準の高速な近似について紹介する。 正規化リスク最小化フレームワーク内で公正性を強制するために、正規化のような近似を使用する。 実世界のデータセットでの実験では、計算効率が優れているにもかかわらず、我々のアルゴリズムは依然として最先端の精度/フェアネスのトレードオフを示す。
  論文  参考訳（メタデータ） (2020-02-14T08:50:51Z)

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。