論文の概要: Overcoming the Resolution Limit: Significance-Aware Regularization for Intersectional Fairness
- arxiv url: http://arxiv.org/abs/2611.15427v1
- Date: Wed, 11 Nov 2026 12:58:25 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.14374
- Title: Overcoming the Resolution Limit: Significance-Aware Regularization for Intersectional Fairness
- Title(参考訳): 解決限界を克服する: 間欠的公平性に対する意味認識規則化
- Abstract要約: 我々は,サンプリング変動が説明できる範囲を超えて,サブグループの格差の一部だけを測定する,連続的かつ不確実性を考慮した公正度スコアを導入する。
本稿では,ソフトカウント確率比の統計量を用いて公正な罰則をゲートする,微分可能なインプロセッシング手法であるSAFERを提案する。
緩やかな交差点設定では、SAFERはベースライン方式よりもフェアネス閾値フロンティアが優れており、認証された不公平性が欠如している場合に有効性が保たれる。
- 参考スコア(独自算出の注目度): 6.76916203506689
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Intersectional fairness requires evaluating models across fine-grained subgroups. However, as group definitions become more granular, the sample size per subgroup shrinks, causing fairness estimates to become increasingly unstable. Existing in-processing methods are certainty-blind: they penalize observed disparities without distinguishing statistically certified unfairness from sampling noise. This leads to fairness overfitting, where models sacrifice utility to "fix" spurious disparities in sparse regimes. To address this, we introduce the significant-excess metric family, a continuous, uncertainty-aware fairness score that measures only the portion of a subgroup's disparity exceeding what sampling variation can explain at a specific confidence level. Building on this metric, we propose SAFER (Significance-Aware Fairness Regularizer), a differentiable in-processing method that gates fairness penalties using a soft-count likelihood-ratio evidence statistic. SAFER satisfies a provable safety property: when every subgroup disparity lies well below the gate threshold, the unconstrained optimum is nearly stationary for SAFER. At that optimum, the back-propagated contribution of its significance-gated component is exponentially small, and the additional fairness contribution comes from a small ungated term with a fixed weight. Mechanism ablations across three benchmark datasets and purpose-built stress variants show that removing any component of SAFER (threshold smoothing, the significance gate, or a dense-tail term) produces the failure the theory predicts on at least one stress variant. In sparse intersectional settings, SAFER achieves a better fairness-utility Pareto frontier than the baseline methods, and it preserves utility when certified unfairness is absent.
- Abstract(参考訳): 断面的公正性は、きめ細かい部分群にわたるモデルの評価を必要とする。
しかし、群の定義がより粒度を増すにつれて、サブグループごとのサンプルサイズは減少し、公平性の評価はますます不安定になる。
既存のインプロセッシング手法は確実であり、統計的に証明された不公平さとサンプリングノイズを区別することなく、観測された格差を罰する。
これは公正な過度な適合につながり、モデルではスパース政権における急激な格差を「固定」するために実用性を犠牲にしている。
そこで本研究では,特定の信頼度レベルにおいて,サンプリング変動が説明できる値を超える部分のみを測定する,連続的かつ不確実性を考慮したフェアネススコアである,重要過剰計量系を導入する。
この指標に基づいて,ソフトカウント確率比の統計量を用いて公正な罰則をゲートする微分可能な内処理法であるSAFER(Significance-Aware Fairness Regularizer)を提案する。
SAFER は証明可能な安全性を満たす:全ての部分群格差がゲート閾値のかなり下にあるとき、制限されない最適条件は SAFER のほぼ定常である。
その最適において、その有意な有意な成分のバックプロパゲート寄与は指数関数的に小さく、追加の公正寄与は、固定された重みを持つ小さな非有意な項から生じる。
3つのベンチマークデータセットと目的に構築されたストレス変種にまたがるメカニズムは、SAFERの任意のコンポーネント(閾値の平滑化、重要ゲート、あるいは密度の高いテール項)を取り除くことで、理論が少なくとも1つのストレス変種で予測する失敗が生じることを示している。
緩やかな交差点設定では、SAFERはベースライン法よりもフェアネスユーティリティのParetoフロンティアを達成し、不公平が証明されていない場合に有効性を維持する。
関連論文リスト
- Beyond Imputation: Mask-Adaptive Conformal Prediction via Tree Embeddings on General Missing Data Mechanisms [3.2461297899186317]
不足パターンに適応する新しいコンフォーマル予測フレームワークを開発した。
筆者らのフレームワークは,各入力を生の欠落マスクとともに木に埋め込み,正規化量子スコア関数を学習することで,欠落値で表現する。
論文 参考訳(メタデータ) (2026-11-01T09:16:54Z) - On the Accuracy of Approximate Leave-One-Out with Blockwise Nonsmooth Regularization in High-dimensions [66.35062523888662]
Approximate leave-out (ALO) は、計算効率のよい計算手法である。
本研究では,ALO法を用いて,高次元比例規則におけるブロック間隔を助長する広範囲な非微分性刑罰の精度について検討した。
論文 参考訳(メタデータ) (2026-10-20T02:18:31Z) - Too Correct to Learn: Reinforcement Learning on Saturated Reasoning Data [55.84428098924793]
構造保存探索を行うためのパラメータ自由復号法である Constrained Uniform Top-K Smpling (CUTS) を提案する。
グループ内の利点分散を増幅するために、エクスプロイトと探索的なロールアウトを相乗化するためのトレーニングフレームワークであるMixed-CUTSに統合する。
特にMixed-CUTSは、AIME25ベンチマークのPass@1の精度を標準のGRPOよりも15.1%向上している。
論文 参考訳(メタデータ) (2026-04-20T16:43:28Z) - Improving Search Agent with One Line of Code [68.58667107354253]
ツールベースのエージェント強化学習(TARL)は,検索エージェントが外部ツールと対話できるようにトレーニングするための,有望なパラダイムとして登場した。
textbfSearch textbfAgent textbfPolicy textbfOptimization (textbfSAPO)を提案する。
論文 参考訳(メタデータ) (2026-03-10T04:07:39Z) - Sharp Convergence Rates for Masked Diffusion Models [53.117058231393834]
制約を克服するオイラー法に対する全変分に基づく解析法を開発した。
その結果、スコア推定の仮定を緩和し、パラメータ依存性を改善し、収束保証を確立する。
全体としては,CTMC軌道に沿った直接テレビによる誤り分解と,FHSのためのデカップリングに基づく経路解析を導入している。
論文 参考訳(メタデータ) (2026-02-26T00:47:51Z) - Bulk-Calibrated Credal Ambiguity Sets: Fast, Tractable Decision Making under Out-of-Sample Contamination [8.826173150779145]
分散ロバストな最適化(DRO)は、あいまいさセットよりも最悪のケースで予想される損失を最小化する。
我々は,IPクレダルセットが,解釈可能な許容レベルを持つDRO目標にどのように変換されるかを示す。
論文 参考訳(メタデータ) (2026-01-29T06:37:36Z) - LEC: Linear Expectation Constraints for False-Discovery Control in Selective Prediction and Routing Systems [95.35293543918762]
大規模言語モデル(LLM)はしばしば信頼できない答えを生成するが、不確実性のある手法は誤った予測と完全に区別することができない。
我々は、この問題を、偽発見率(FDR)制御のレンズを通して解決し、全ての許容された予測のうち、エラーの割合が目標のリスクレベルを超えないことを保証する。
本稿では,線形期待制約を強制することで,選択予測を制約付き決定問題として再解釈するLECを提案する。
論文 参考訳(メタデータ) (2025-12-01T11:27:09Z) - Minimax Optimal Fair Classification with Bounded Demographic Disparity [28.936244976415484]
本稿では,2つの保護群による公正二項分類の統計的基礎について考察する。
有限サンプルを用いると、グループ固有の受容閾値を推定する必要があるため、追加のコストが発生することを示す。
オフセットを持つグループワイドしきい値法であるFairBayes-DDP+を提案する。
論文 参考訳(メタデータ) (2024-03-27T02:59:04Z) - f-FERM: A Scalable Framework for Robust Fair Empirical Risk Minimization [9.591164070876689]
本稿では、f-divergence measures(f-FERM)に基づく公正な経験的リスクに対する統一的な最適化フレームワークを提案する。
さらに,f-FERMによるほぼ全てのバッチサイズに対するフェアネス・精度トレードオフの優位性を実証した。
我々の拡張は、不確実集合として$L_p$ノルムの下で f-FERM の目的を分布的に頑健に最適化する手法に基づいている。
論文 参考訳(メタデータ) (2023-12-06T03:14:16Z) - Exploiting Sample Uncertainty for Domain Adaptive Person
Re-Identification [137.9939571408506]
各サンプルに割り当てられた擬似ラベルの信頼性を推定・活用し,ノイズラベルの影響を緩和する。
不確実性に基づく最適化は大幅な改善をもたらし、ベンチマークデータセットにおける最先端のパフォーマンスを達成します。
論文 参考訳(メタデータ) (2020-12-16T04:09:04Z)
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。