論文の概要: KINDER: Kernel-based Independence for Fair Representation Learning via Prototype-space Erasure

• arxiv url: http://arxiv.org/abs/2611.00264v1
• Date: Fri, 30 Oct 2026 18:43:59 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:19:52.496104
• Title: KINDER: Kernel-based Independence for Fair Representation Learning via Prototype-space Erasure
• Title（参考訳）: KINDER:プロトタイプ空間消去による公正表現学習のためのカーネルベース独立
• Abstract要約: 概念消去は、機械学習における公平性を達成するための顕著なアプローチである。 中間表現からセンシティブ属性情報を直接除去するKINDERを導入する。 多様な環境にまたがる広範囲な実験を行い,KINDERの有効性を示した。
• 参考スコア（独自算出の注目度）: 11.829561929838244
• License:
• Abstract: Concept erasure is a prominent approach to achieving fairness in machine learning through the removal of sensitive attributes from learned representations. Prior concept erasure methods typically define debiasing indirectly through the failure of a chosen adversary, probe, or fairness penalty, which makes the target of erasure dependent on a particular decoder family or optimization setup. We introduce KINDER, which directly removes sensitive-attribute information from intermediate representations with respect to a chosen family of prototype functionals, and is compatible with any deep model containing an intermediate feature space, independent of the architecture, task type, or training paradigm. KINDER operates in a random Fourier feature space, where it estimates a sensitive subspace from protected group prototypes and projects representations onto its orthogonal complement. Thus, it forms an explicit representation cleaning mechanism distinct from prior fairness control studies. We conduct extensive experiments across diverse settings and show the effectiveness of KINDER on (i) supervised and self-supervised settings, (ii) classification, regression, and image segmentation tasks, and (iii) diverse data modalities, including visual, textual, and tabular data. Code and trained models are available at: https://github.com/abtinmU/KINDER
• Abstract（参考訳）: 概念消去は、学習された表現からセンシティブな属性を除去することで、機械学習における公平性を達成するための顕著なアプローチである。 従来の概念消去法は、通常、選択された敵、プローブ、公正なペナルティの失敗を通じて間接的にデバイアスを定義しており、特定のデコーダファミリーや最適化設定に依存している。 提案するKINDERは,プロトタイプ機能の選択されたファミリーに対して,中間表現からセンシティブ属性情報を直接取り除き,アーキテクチャやタスクタイプ,トレーニングパラダイムに依存しない,中間特徴空間を含むディープモデルと互換性がある。 KINDERはランダムなフーリエ特徴空間で機能し、保護されたグループのプロトタイプとプロジェクト表現からその直交補空間への敏感な部分空間を推定する。 したがって、これは事前の公平性制御研究とは異なる明示的な表現クリーニング機構を形成する。 多様な設定で広範な実験を行い、KINDERの有効性を示す。 一 監督及び自己監督の設定 (二)分類、回帰、画像分割作業及び (iii)視覚、テキスト、表データを含む多様なデータモダリティ。 コードとトレーニングされたモデルについては、https://github.com/abtinmU/KINDERを参照してください。

関連論文リスト

• Counterfactual Contrastive Analysis [6.190850256222902]
  コントラスト分析(CA)に基づく視覚対物生成のための分類器なし手法を提案する。 我々は,2つのデータセットに共通する生成因子を,各データセットに有意な要素から切り離し,有意な要素のみを交換することで,対物画像を生成する。 提案手法を3つの医用画像データセット上で評価し,既存の手法と比較して優れた反事実生成品質を示す。
  論文  参考訳（メタデータ） (2026-08-19T15:25:21Z)
• S$^2$COPE: Self-Supervised Concept Discovery via Preference Learning [15.951097715837799]
  我々は、このジレンマを解決するラベルのないフレームワークであるPreference lEarning (model)を通して、セルフ・スーパーバイザード・コンセプト・ディスクOveryを紹介します。 我々の研究は、人間の監督なしに、モデルが付随する視覚構造と自律的に相互作用することで、解釈可能性が生まれることを示唆している。
  論文  参考訳（メタデータ） (2026-06-12T16:02:44Z)
• Spatial-Temporal-Spectral Unified Modeling for Remote Sensing Dense Prediction [20.1863553357121]
  リモートセンシングのための現在のディープラーニングアーキテクチャは、基本的に堅固である。 本稿では,統合モデリングのための空間時間スペクトル統一ネットワーク(STSUN)について紹介する。 STSUNは任意の空間サイズ、時間長、スペクトル帯域で入力および出力データに適応することができる。 様々な密集した予測タスクと多様な意味クラス予測を統一する。
  論文  参考訳（メタデータ） (2025-05-18T07:39:17Z)
• An Information Compensation Framework for Zero-Shot Skeleton-based Action Recognition [49.45660055499103]
  ゼロショットの人間の骨格に基づく行動認識は、トレーニング中に見られるカテゴリ外の行動を認識するモデルを構築することを目的としている。 従来の研究では、シーケンスの視覚的空間分布と意味的空間分布の整合性に焦点が当てられていた。 強固で頑健な表現を得るために,新たな損失関数サンプリング手法を提案する。
  論文  参考訳（メタデータ） (2024-06-02T06:53:01Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• A Probabilistic Model Behind Self-Supervised Learning [53.64989127914936]
  自己教師付き学習(SSL)では、アノテートラベルなしで補助的なタスクを通じて表現が学習される。 自己教師型学習のための生成潜在変数モデルを提案する。 対照的な方法を含む識別的SSLのいくつかのファミリーは、表現に匹敵する分布を誘導することを示した。
  論文  参考訳（メタデータ） (2024-02-02T13:31:17Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• An Integral Projection-based Semantic Autoencoder for Zero-Shot Learning [0.46644955105516456]
  ゼロショット学習(ZSL)分類は、トレーニングセットに含まれないクラス(ラベル)を分類または予測する(見えないクラス)。 近年の研究では、エンコーダが視覚的特徴空間をセマンティック空間に埋め込み、デコーダが元の視覚的特徴空間を再構成する、異なる意味的オートエンコーダ(SAE)モデルが提案されている。 本稿では,意味空間でベクトル化された視覚的特徴空間を潜在表現空間に投影する統合投影型セマンティックオートエンコーダ(IP-SAE)を提案する。
  論文  参考訳（メタデータ） (2023-06-26T12:06:20Z)
• Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
  データ管理の統合コンポーネントにおける公平性について検討する。 本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
  論文  参考訳（メタデータ） (2020-06-10T20:20:10Z)

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。