論文の概要: Robustness Within a Fairness Budget: Parity Frontiers and Equal-Opportunity Reversal
- arxiv url: http://arxiv.org/abs/2611.16031v1
- Date: Wed, 11 Nov 2026 21:37:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.277141
- Title: Robustness Within a Fairness Budget: Parity Frontiers and Equal-Opportunity Reversal
- Title(参考訳): 公正予算におけるロバスト性--親のフロンティアと平等の逆転
- Abstract要約: アドリアリトレーニングは攻撃中の予測パフォーマンスを保護しますが、どのように決定が保護されたグループに分散されるかは決定しません。
対人リスク最小化(PGD)として二項分類を定式化する。
平均8つのモデル攻撃経路にまたがって、サンプル予算経路は厳密にDPDと精度を指示し、平均符号付き同値差(EOpp)を反転させる。
- 参考スコア(独自算出の注目度): 1.1049608786515839
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adversarial training protects predictive performance under attack but does not determine how decisions are distributed across protected groups. We formulate binary classification as projected gradient descent (PGD) adversarial-risk minimization under a squared soft demographic-parity (DP) budget, optimized with projected multiplier and one-sided penalty updates. On Adult Income, using the binary sex field supplied by the benchmark for group auditing but excluding it from prediction, we test logistic regression and a one-hidden-layer multilayer perceptron (MLP) across three paired seeds, four PGD strengths, and five budgets. At $\varepsilon=0.3$, PGD training improves balanced accuracy over empirical-risk minimization (ERM) by $7.77$ and $11.45$ percentage points and removes $85.7\%$ and $89.5\%$ of attack-induced growth in hard demographic-parity difference (DPD). At the representative interior value $τ=0.015$, constrained training cuts DPD relative to PGD training by $52.2\%$ and $49.2\%$, while remaining $3.18$ and $8.34$ balanced-accuracy points above ERM. Across all eight seed-averaged model-attack paths, the sampled budget path strictly orders DPD and accuracy and reverses mean signed equal-opportunity difference (EOpp). A rate theorem gives the exact true-positive-rate shift required for reversal, and the measured group rates satisfy it. Within this controlled feature-space study, robustness and parity admit useful joint operating points, but one fairness metric cannot replace a full group-rate audit.
- Abstract(参考訳): 敵の訓練は攻撃中の予測パフォーマンスを保護するが、どのように決定が保護されたグループに分散されるかは決定しない。
正方形軟層圏(DP)予算下では,2進勾配降下法(PGD)の逆方向リスク最小化法を定式化し,乗算器と片側ペナルティ更新法を最適化した。
アダルト・インカムでは、グループ監査のためにベンチマークによって供給される二元性フィールドを用いて、予測から除外し、ロジスティック回帰と1層多層パーセプトロン(MLP)を3対の種子、PGD強度、および5つの予算でテストする。
PGDトレーニングは$\varepsilon=0.3$で、経験的リスク最小化(ERM)よりも7.77ドルと11.45ドルの割合でバランスの取れた精度を向上し、ハード・レジスト・パーティ・ディフェクト(DPD)における攻撃による成長の85.7\%と8.5\%を除去する。
代表的な内部値がτ=0.015ドルの場合、制約付きトレーニングはPGDトレーニングに対して52.2.%と49.2.%のDPDを削減し、ECMの3.18ドルと8.34ドルのバランスの取れた精度ポイントを維持できる。
平均8つのモデル攻撃経路に対して、サンプリングされた予算経路は厳密にDPDと精度を命令し、平均符号付き同値差(EOpp)を反転させる。
レート定理は、逆転に必要な真の正のレートシフトを与え、測定されたグループレートがそれを満たす。
この制御された特徴空間研究の中で、ロバストネスとパリティは有用な共同操作ポイントを許容するが、一方の公正度測定は完全なグループレート監査を置き換えることはできない。
関連論文リスト
- Expanding the Quality-Coverage Frontier with Competitive Flow Matching [66.94222966023538]
フローマッチングジェネレータは、しばしば品質とカバレッジのトレードオフに直面します。
トレーニング中の予測の競合を紹介します。
我々は、SiTとRAEv2の2つのテストベッドを用いて、ImageNet-256の検証を行った。
論文 参考訳(メタデータ) (2026-11-04T19:16:10Z) - Distributionally-Robust Policy Learning with Observational Data [8.809198293857284]
政策学習は、パーソナライズされた医療から福祉プログラムターゲティングまで、幅広い応用に不可欠である。
条件付き処理効果のためのクロスフィット2次ロバストスコアを用いた推定器を提案する。
Tsybakov-style margin 条件下では、推定器は$widetildeO(n-(1+)/(2+)$の高速な速度が得られる。
論文 参考訳(メタデータ) (2026-10-18T23:39:54Z) - ProbePO: Sparse Probes, Redistributed Credit for Critic-Free LLM Reinforcement Learning [55.716259164434234]
検証可能な報酬からの強化学習は、個々の推論ステップが結果にどのように貢献するかを解明し、すべての推論軌道に1つの終末報酬を割り当てる。
GRPOは、すべてのレスポンストークンに対してグループ正規化された利点をブロードキャストする一方、よりきめ細かいアプローチは、ポリシー更新に使用されるデータを変更可能な、高密度な補助的なロールアウトや分岐スキームに依存することが多い。
限定的なロールアウト予算で、どの部分的なソリューションを評価すべきで、どのように価値を評価すればよいのか。
ProbePOは報酬のない不確実性スコアで部分解法状態を選択し、上限条件下で期待された検証者報酬を推定する
論文 参考訳(メタデータ) (2026-10-17T07:19:05Z) - Asynchronous LLM Post-Training: Group-Mass Capping and Convergence Analysis [59.80039032720308]
非同期強化学習(RL)は、大規模言語モデルの訓練後の効率を改善するが、以前のポリシーによって生成された古いロールアウトを導入する。
勾配推定器の第2モーメントとバイアスのトレードオフを特徴付けるGRPO型アルゴリズムの収束バウンダリを導出する。
重み付き推定器のクラス内における比に基づくバイアスを最小化するグループマスキャッピングGRPO(GMC-GRPO)法を提案する。
論文 参考訳(メタデータ) (2026-10-01T15:45:08Z) - Speculative Evaluation of Stochastic LLMs [48.902430583833585]
投機的評価は、短い一様パイロットと、タスク毎の成功回数のプールを実行する。
HBN-asyncは、部分的なパイロットフィードバックからの継続を投機的に実行し、最終的なアロケーションによって選択されたものを保持する。
1タスクあたり8-64のロールアウト予算では、投機的評価は、Uniformに対する分散を平均12.8%から33.6%削減する。
論文 参考訳(メタデータ) (2026-09-23T09:20:22Z) - WDL-OPD: Weak-Driven On-Policy Distillation via Mixture-Constrained Co-Training [48.290951447286744]
WDL-OPDは2つの訓練可能なポリシーを持つ混合制約付き協調訓練法である。
アンカーポリシはロールアウト毎に生成し、補助ポリシは同じ訪問状態を評価し、それらのトークン分布の幾何学的混合を逆KLで凍結教師にマッチングする。
凍結はPD$2とW2S-OPDと密接に関連するアンカープラスコントラストのプロキシターゲットを回復させるが,ジョイントトレーニングは静的デルタが表現できない分岐レベル自由度を生成する。
論文 参考訳(メタデータ) (2026-08-10T11:22:53Z) - BRiG-AFA: Bellman Risk-to-Go Learning for Non-Myopic Active Feature Acquisition [8.363536351727978]
アクティブな機能取得は、予算の下で各テストインスタンスの次を計測する観測されていない機能を要求する。
本稿では,残予算毎に個別の候補条件付きリスク・ツー・ゴー関数を学習する,デプロイ可能な教師付き代替手段であるメソッドを導入する。
論文 参考訳(メタデータ) (2026-08-03T14:30:44Z) - BiPACE: Bisimulation-Guided Policy Optimization with Action Counterfactual Estimation for LLM Agents [10.767742708000897]
ステップワイズグループベースのRLは、学習評論家なしで長期のLDMエージェントを訓練する魅力的な方法である。
現在のエージェントの変種は、状態-アクションの信用ミスマッチによってこの仮定に反することを示す。
批判や補助的な損失、余分なロールアウトを加えることなく、双方を修正できる、ドロップインの利点推定ツールであるBiPACEを紹介します。
論文 参考訳(メタデータ) (2026-06-24T08:32:42Z) - ChainzRule: Sample-Efficient, Robust Deep Learning Across Tabular, NLP, and Vision Tasks [0.0]
エンタープライズドメイン全体にわたるディープラーニングシステムは、学術ベンチマークが不明瞭な制約の下で運用される。
本稿では、典型的なアクティベーションを微分正規化(DREG)によって制御される学習可能な層に置き換えるニューラルネットワークChainzRule(CR)を提案する。
CRは、ピマ糖尿病で85.71% pm 2.01%$、凍結エンコーダでSST-5の感情分類で46.20% pm 0.37%$、パラメータが3.2Mの完全順序回帰で70.17%$を達成している。
論文 参考訳(メタデータ) (2026-05-23T01:52:50Z) - Multi-Dimensional Behavioral Evaluation of Agentic Stock Prediction Systems Using Large Language Model Judges with Closed-Loop Reinforcement Learning Feedback [1.2362187555287152]
ファイナンスにおける予測評価は、ポイント予測エラーに基づく集計精度測定と予測精度テストに依存している。
本稿では,中間決定プロセス自体を評価することによって,精度試験を補完する行動予測評価手法を提案する。
論文 参考訳(メタデータ) (2026-05-07T06:31:34Z) - Toward Adversarial Robustness via Semi-supervised Robust Training [93.36310070269643]
アドリラルな例は、ディープニューラルネットワーク(DNN)に対する深刻な脅威であることが示されている。
R_stand$ と $R_rob$ の2つの異なるリスクを共同で最小化することで、新しい防御手法であるロバストトレーニング(RT)を提案する。
論文 参考訳(メタデータ) (2020-03-16T02:14:08Z)
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。