論文の概要: Synthetic Data Augmentation for Fairness under Data Imbalance: Theory and Adaptive Allocation
- arxiv url: http://arxiv.org/abs/2611.14870v1
- Date: Wed, 11 Nov 2026 00:50:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:32.971602
- Title: Synthetic Data Augmentation for Fairness under Data Imbalance: Theory and Adaptive Allocation
- Title(参考訳): データ不均衡下におけるフェアネスのための合成データ拡張:理論と適応アロケーション
- Abstract要約: センシティブなグループやクラスラベル間のデータの不均衡は、相当な公平性に寄与する。
このような不均衡が平等機会にどのように影響し、合成データの増大が結果の不公平を緩和するかを考察する。
本稿では, 精度制約付き適応合成拡張(ACASA)を提案する。
- 参考スコア(独自算出の注目度): 7.51417090989413
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Data imbalance across sensitive groups and class labels is common in classification problems and can contribute to substantial fairness disparities. We study how such imbalance affects Equal Opportunity and how synthetic data augmentation can mitigate the resulting unfairness. We first identify two mechanisms, prevalence imbalance and group-size imbalance, through which changes in the training distribution shift the learned decision boundary and induce disparities in group true positive rates. Motivated by this analysis, we study exact full-balance augmentation, which equalizes all group-label cells. We establish conditions under which full balancing strictly improves Equal Opportunity together with a prediction-error comparison under the oracle balanced distribution, and show that the Equal Opportunity gap of the synthetic-data classifier converges to that of the oracle balanced classifier as the sample size grows and the generator error vanishes. The finite-sample convergence rate agrees, up to logarithmic factors and generator-approximation error, with the information-theoretic lower-bound rate under the corresponding regularity regimes. Since exact balancing need not provide the best fairness-accuracy trade-off in practice, we further propose Accuracy-Constrained Adaptive Synthetic Augmentation (ACASA), which learns both where and how much to augment by minimizing estimated fairness disparity subject to a constraint on predictive accuracy. We provide a finite-sample guarantee comparing the selected augmentation allocation with the population-optimal accuracy-feasible allocation. Simulation studies and real data application support the theoretical findings and demonstrate that synthetic augmentation can substantially reduce fairness disparities while achieving favorable empirical fairness-accuracy trade-offs.
- Abstract(参考訳): センシティブなグループやクラスラベル間のデータの不均衡は、分類問題で一般的であり、相当な公平性に寄与する。
このような不均衡が平等機会にどのように影響し、合成データの増大が結果の不公平を緩和するかを考察する。
まず,頻度不均衡とグループサイズ不均衡の2つのメカニズムを同定し,トレーニング分布の変化によって学習された決定境界が変化し,グループ正の正の正の差が生じることを示した。
この分析により, 全グループラベル細胞を等化させる完全バランス増強について検討した。
そこで,本研究では, 完全バランスが, オーラルバランス分布下での予測誤差比較とともに, 偏差を厳密に改善する条件を確立し, サンプルサイズが大きくなるにつれて, 合成データ分類器の等間隔が, オーラルバランス分類器の等間隔に収束し, ジェネレータエラーが消滅することを示す。
有限サンプル収束速度は、対数係数とジェネレータ近似誤差、および対応する正則性規則の下での情報理論下界速度に一致する。
そこで我々は,予測精度に制約のある推定値の不一致を最小化することにより,精度制約付き適応合成拡張(ACASA)の精度向上を図る。
選択した増分割当値と集団最適精度実現可能な割当値とを比較した有限サンプル保証を提供する。
シミュレーション研究と実データ応用は、理論的な結果を支持し、合成の増強は、好適な実証的公正-正確性トレードオフを達成しつつ、公平性格差を著しく低減できることを示した。
関連論文リスト
- A Rank Graduation metric for Algorithmic fairness [4.318555434063274]
本稿では,モデル予測誤差の分布を通じて公平性を評価するランクベースフレームワークを提案する。
このフレームワークは、ランクグラデュエーションフェアネス(RGF)、その統合測度AURGF、中心となるクレーマー-ヴォンミス置換試験、フェアネス説明可能性のための特徴除去手順を組み合わせる。
論文 参考訳(メタデータ) (2026-09-30T05:30:40Z) - When Does Synthetic Data Augmentation Improve Score-Based Imbalanced Classification? [4.850565550043597]
本稿では,合成マイノリティ向上がしきい値積分およびしきい値最適化の指標を改善する際の特徴付けフレームワークを開発する。
増分効果は, 有効クラス重み付けの変化と, 合成分布と真のマイノリティ分布の相違の2つの成分に分ける。
近似誤差,有限サンプル推定誤差,合成分布誤差の役割を定量化する明示的な改善境界を提供する。
論文 参考訳(メタデータ) (2026-06-24T17:30:36Z) - Fix Representation (Optimally) Before Fairness: Finite-Sample Shrinkage Population Correction and the True Price of Fairness Under Subpopulation Shift [0.0]
機械学習の実践者は、予測精度とグループフェアネスの制約の間の緊張をよく観察する。
いずれの現象も、サブグループ比を誤って表現する訓練データのアーティファクトであることを示す。
論文 参考訳(メタデータ) (2026-02-05T14:32:05Z) - Toward Fair Federated Learning under Demographic Disparities and Data Imbalance [8.444310568786408]
フェデレートラーニング(Federated Learning, FL)は、機関間のプライバシー保護コラボレーションを可能にする。
フェアネスを意識した正規化とグループ条件オーバサンプリングを組み合わせたフレームワークに依存しないFedIDAを提案する。
FedIDAは、競争力のある予測性能を維持しながら、常に公正性を向上することを示す。
論文 参考訳(メタデータ) (2025-05-14T11:22:54Z) - Chasing Fairness Under Distribution Shift: A Model Weight Perturbation
Approach [72.19525160912943]
まず,分布シフト,データ摂動,モデルウェイト摂動の関連性を理論的に検証した。
次に、ターゲットデータセットの公平性を保証するのに十分な条件を分析します。
これらの十分な条件により、ロバストフェアネス正則化(RFR)を提案する。
論文 参考訳(メタデータ) (2023-03-06T17:19:23Z) - On Comparing Fair Classifiers under Data Bias [42.43344286660331]
本研究では,データ偏差の変化が公正分類器の精度と公平性に及ぼす影響について検討する。
我々の実験は、既存のフェアネスダッシュボードにデータバイアスリスクの尺度を統合する方法を示している。
論文 参考訳(メタデータ) (2023-02-12T13:04:46Z) - Supercharging Imbalanced Data Learning With Energy-based Contrastive
Representation Transfer [72.5190560787569]
コンピュータビジョンにおいて、長い尾のデータセットからの学習は、特に自然画像データセットの繰り返しのテーマである。
本稿では,データ生成機構がラベル条件と特徴分布の間で不変であるメタ分散シナリオを提案する。
これにより、因果データインフレーションの手順を利用してマイノリティクラスの表現を拡大できる。
論文 参考訳(メタデータ) (2020-11-25T00:13:11Z) - Counterfactual Representation Learning with Balancing Weights [74.67296491574318]
観察データによる因果推論の鍵は、それぞれの治療タイプに関連する予測的特徴のバランスを達成することである。
近年の文献では、この目標を達成するために表現学習を探求している。
因果効果を柔軟かつスケーラブルかつ正確に推定するアルゴリズムを開発した。
論文 参考訳(メタデータ) (2020-10-23T19:06:03Z) - Fairness in Semi-supervised Learning: Unlabeled Data Help to Reduce
Discrimination [53.3082498402884]
機械学習の台頭における投機は、機械学習モデルによる決定が公正かどうかである。
本稿では,未ラベルデータのラベルを予測するための擬似ラベリングを含む,前処理フェーズにおける公平な半教師付き学習の枠組みを提案する。
偏見、分散、ノイズの理論的分解分析は、半教師付き学習における差別の異なる源とそれらが公平性に与える影響を浮き彫りにする。
論文 参考訳(メタデータ) (2020-09-25T05:48:56Z)
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。