論文の概要: FairSplit: Decomposing the Embedding Space for Fair Classification

• arxiv url: http://arxiv.org/abs/2610.39031v1
• Date: Wed, 28 Oct 2026 23:04:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-31 05:25:12.431814
• Title: FairSplit: Decomposing the Embedding Space for Fair Classification
• Title（参考訳）: FairSplit: 公平な分類のために埋め込みスペースを分解する
• Abstract要約: 本手法は,機密情報への依存を抑えつつ,高い分類精度を実現する。 トレーニング中、モデルは同時に分類タスクを学習し、センシティブな情報からフェアを分離する必要がある。 確立されたフェアネスベンチマークの実験は、FairSplitが競合する精度とフェアネスのトレードオフを達成することを示している。
• 参考スコア（独自算出の注目度）: 6.897411243002051
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fair classification faces a twofold challenge: maintaining high classification accuracy while limiting reliance on sensitive information. Our method FairSplit achieves this by learning a decomposition of the embedding space into a Fair Space used for prediction and a Sensitive Space that isolates sensitive information. During training, the model must simultaneously learn the classification task and separate fair from sensitive information. The Sensitive Space gives sensitive attributes a destination, so the Fair Space can be used for prediction without relying on them. This decomposition is guided via a learnable mask and the Hilbert-Schmidt Independence Criterion (HSIC) as a measure of statistical dependence. We provide theoretical guarantees showing that the demographic parity gap is upper-bounded by both (i) the learned dimensionality of the Fair Space and (ii) the HSIC between the Fair Space and sensitive attributes. FairSplit effectively handles multiclass tasks and non-binary sensitive attributes, overcoming key limitations of existing fair classification methods. Experiments on established fairness benchmarks show that FairSplit achieves competitive accuracy-fairness trade-offs. Code is available at https://github.com/shkabrii/fairsplit.
• Abstract（参考訳）: 公平な分類は、機密情報への依存を制限しながら、高い分類精度を維持するという2つの課題に直面します。 筆者らのFairSplit法は, センシティブな情報を分離するFair SpaceとSensitive Spaceに, 埋め込み空間の分解を学習することでこれを実現している。 トレーニング中、モデルは同時に分類タスクを学習し、センシティブな情報からフェアを分離する必要がある。 センシティブ・スペースはセンシティブな属性に目的地を与えるため、フェア・スペースはそれに頼ることなく予測に使用できる。 この分解は、統計的依存の尺度として、学習可能なマスクとHilbert-Schmidt Independence Criterion (HSIC)を通じて導かれる。 我々は、人口格差が両者の上限であることを示す理論的保証を提供する。 一 公正空間の学識的次元性及び (二)フェアスペースとセンシティブな属性の間のHSIC FairSplitは、マルチクラスタスクと非バイナリセンシティブな属性を効果的に処理し、既存のフェア分類メソッドの重要な制限を克服する。 確立されたフェアネスベンチマークの実験は、FairSplitが競合する精度とフェアネスのトレードオフを達成することを示している。 コードはhttps://github.com/shkabrii/fairsplit.comから入手できる。

関連論文リスト

• Fair Text Classification with Wasserstein Independence [4.887319013701134]
  グループフェアネスはテキスト分類における中心的な研究テーマであり、センシティブなグループ間で公平な扱いを受けることはオープンな課題である。 本稿では,モデルアーキテクチャに非依存なニューラルテキスト分類におけるバイアス軽減手法を提案する。
  論文  参考訳（メタデータ） (2023-11-21T15:51:06Z)
• Improving Fairness using Vision-Language Driven Image Augmentation [60.428157003498995]
  公平性は、特に顔領域において、ディープラーニングの識別モデルを訓練する際に重要である。 モデルは、特定の特性(年齢や肌の色など)と無関係な属性(下流タスク)を関連付ける傾向がある 本稿では,これらの相関を緩和し,公平性を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-11-02T19:51:10Z)
• Fair Correlation Clustering in Forests [8.810926150873991]
  クラスタリングは、各クラスタが入力集合全体と同じ感度属性のマニフェストの分布を持つ場合、公平であると言われている。 これは、クラスタ化対象のオブジェクトが過度に、あるいは過度に表現すべきでないセンシティブな属性を持つ様々なアプリケーションによって動機付けられている。 我々は,このフェアネスの形式が抽出可能な機密属性の分布を特徴付けることができる制限付きグラフクラスを考察する。
  論文  参考訳（メタデータ） (2023-02-22T11:27:06Z)
• Practical Approaches for Fair Learning with Multitype and Multivariate Sensitive Attributes [70.6326967720747]
  現実世界に展開された機械学習アルゴリズムが不公平さや意図しない社会的結果をもたらすことはないことを保証することが重要である。 本稿では,カーネルHilbert Spacesの相互共分散演算子上に構築されたフェアネス尺度であるFairCOCCOを紹介する。 実世界のデータセットにおける予測能力と公正性のバランスをとる上で、最先端技術に対する一貫した改善を実証的に示す。
  論文  参考訳（メタデータ） (2022-11-11T11:28:46Z)
• How Robust is Your Fairness? Evaluating and Sustaining Fairness under Unseen Distribution Shifts [107.72786199113183]
  CUMA(CUrvature Matching)と呼ばれる新しいフェアネス学習手法を提案する。 CUMAは、未知の分布シフトを持つ未知の領域に一般化可能な頑健な公正性を達成する。 提案手法を3つの人気フェアネスデータセットで評価する。
  論文  参考訳（メタデータ） (2022-07-04T02:37:50Z)
• Measuring Fairness of Text Classifiers via Prediction Sensitivity [63.56554964580627]
  加速度予測感度は、入力特徴の摂動に対するモデルの予測感度に基づいて、機械学習モデルの公正度を測定する。 この計量は、群フェアネス(統計パリティ)と個人フェアネスという特定の概念と理論的に関連付けられることを示す。
  論文  参考訳（メタデータ） (2022-03-16T15:00:33Z)
• Fair Tree Learning [0.15229257192293202]
  様々な最適化基準は、分類性能と公正度を組み合わせている。 現在の公正決定木法は、分類タスクと公正度測定の両方において、一定の閾値を最適化するのみである。 そこで本研究では,一様人口分布パリティと呼ばれるしきい値非依存の公平度尺度と,SCAFF – Splitting Criterion AUC for Fairnessと題する分割基準を提案する。
  論文  参考訳（メタデータ） (2021-10-18T13:40:25Z)
• MultiFair: Multi-Group Fairness in Machine Learning [52.24956510371455]
  機械学習におけるマルチグループフェアネスの研究(MultiFair) この問題を解決するために,汎用的なエンドツーエンドのアルゴリズムフレームワークを提案する。 提案するフレームワークは多くの異なる設定に一般化可能である。
  論文  参考訳（メタデータ） (2021-05-24T02:30:22Z)
• FairMixRep : Self-supervised Robust Representation Learning for Heterogeneous Data with Fairness constraints [1.1661238776379117]
  我々は、教師なしの観点から、混合スペースフェア表現学習の課題に対処する。 我々は、タイムリーで独特な普遍的な表現と、新しい研究貢献を学ぶ。
  論文  参考訳（メタデータ） (2020-10-07T07:23:02Z)
• Robust Large-Margin Learning in Hyperbolic Space [64.42251583239347]
  ユークリッド空間ではなく双曲型で分類器を学ぶための最初の理論的保証を示す。 本研究では, 対向例の慎重な注入に頼って, 大面積超平面を効率よく学習するアルゴリズムを提案する。 双曲空間によく埋め込まれる階層的データに対して、低埋め込み次元は優れた保証を保証することを証明している。
  論文  参考訳（メタデータ） (2020-04-11T19:11:30Z)

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。