論文の概要: Hiding a Gap Does Not Close It: The Price of Removing the Mean Group Contrast from Learned Models of Learning Dynamics
- arxiv url: http://arxiv.org/abs/2611.16100v1
- Date: Wed, 11 Nov 2026 23:18:58 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.28932
- Title: Hiding a Gap Does Not Close It: The Price of Removing the Mean Group Contrast from Learned Models of Learning Dynamics
- Title(参考訳): ギャップの保持は閉じない:学習ダイナミクスの学習モデルから平均群コントラストを除去する価格
- Abstract要約: アダプティブ・チュータからグループ信号を消去するために、一般的なフェアネス対策を用いる。
3段階の監査は、修正が使用される前にコストを見積もる。
3つの実際のデータセットで、グループを消去すると、観測されるギャップはほとんどない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Adaptive tutors use models learned from student data, and a common fairness remedy erases the group signal from these models. We turn the cost of this remedy into an audit tool. Building on mean-parity regression, we give the minimum extra error, relative to the best predictor, of removing the mean group contrast from a predictor that cannot use the group, $p_0p_1Δ^2/R^2$, and the exact cost of any correction built from an estimated group model, which, for the best predictor, is never below this minimum. A three-stage audit (fit on training units, announce the cost on validation units, test on independent units) estimates this cost before the correction is used. In a controlled study, the price can be large even when the state predicts the group poorly. On three real data sets, erasing the group from a learned model of learning dynamics predicts almost no gap where one is observed. In a selected knowledge-tracing network, erasing the hidden state leaves most of the gap; a correction of the prediction removes it at an extra Brier score of 0.021 on average. On Eedi, with the network selected on separate units, the audit accepted the announced cost in all five splits, the measured cost fell inside the announced interval in all five, and the gap reduction transferred to new classes in four; on new ASSISTments schools the audit abstains. In a tutoring simulator, the objective and the help budget matter more than the erasure, and floors on each group's knowledge separate narrowing a gap from levelling down. Hiding a gap in a model does not close it.
- Abstract(参考訳): アダプティブ・チューターは学生データから学習したモデルを使用し、一般的なフェアネス療法はこれらのモデルからグループ信号を消去する。
この治療法のコストを監査ツールにします。
平均パリティ回帰に基づいて、平均群コントラストをグループを使用できない予測子から除去する最小の余剰誤差、$p_0p_1Δ^2/R^2$、推定群モデルから構築された補正の正確なコストは、最良の予測子に対して、この最小値以下である。
3段階の監査(トレーニングユニット、検証ユニットのコスト、独立したユニットのテスト)は、修正が使用される前にこのコストを見積もる。
制御された研究では、状態がグループを予測しにくい場合でも、価格が大きくなる可能性がある。
3つの実際のデータセットにおいて、学習力学の学習モデルからグループを消去すると、観察されるギャップはほとんどない。
選択された知識追跡ネットワークでは、隠れ状態の消去はギャップの大部分を解消し、予測の補正により平均0.021の余分なブライアスコアで除去される。
Eediでは、ネットワークを別々に選択し、監査は発表費用を全5分で受け入れ、測定コストは全5分で発表間隔内で低下し、ギャップ削減は4分で新しいクラスに移行した。
チュータリングシミュレータでは、目的と支援予算は、消去よりも重要であり、各グループの知識の床は、レベルダウンからギャップを狭める。
モデルのギャップを埋めることは、それを閉じない。
関連論文リスト
- When Does Better Confidence Improve a Knowledge-Graph Audit? [22.672957142366002]
不正な共有エンティティが予算監査にどのように影響するかを,選択ヘッドルームとラベルの妥当性とともに検討する。
Re-DocRED上の5つの抽出構成と2つのクロスドキュメントグラフに対するベンチマークアラインラベルに対する理想的な修復をシミュレートする。
300のDWIEトレーニング文書では、独立および共同計画もポイント推定でファンアウトを上回っている。
論文 参考訳(メタデータ) (2026-11-04T03:12:37Z) - Measure First, Then Allocate: Calibrated Rollout Budgets for MCP Agents in Reinforcement Learning [12.282704767709811]
ツールを使用する言語モデルのトレーニングには、コストのかかるインタラクションが必要だが、ロールアウトグループ内の同じ報酬は、グループ関係の学習信号を提供しない。
我々は、モデルコンテキストプロトコル(MCP)環境におけるポリシートレーニングのためのハーネス評価とロールアウトの割り当てを誘導するために報酬不一致を使用する。
論文 参考訳(メタデータ) (2026-10-20T18:15:52Z) - Between-User Collapse Under Popularity-Biased Feedback: A Centered-Covariance Theorem and Computable Phase Boundary [0.0]
我々は,人気度の高いBPRトレーニングが,協調フィルタリング埋め込みのユーザ間幾何学にどう影響するかを考察する。
定常アイテムによる人気バイアスのあるフィードバックの下では、$C$は安定した状態に収束する。
次に、その効果の限界について検討する。
論文 参考訳(メタデータ) (2026-08-03T17:33:25Z) - Shortcuts in the Tail: Debiasing via Post-Hoc Spectral Compression of Fine-Tuning Updates [0.47963487028876156]
微調整は、しばしばタスク知識と急激な相関を導入し、不足したグループに体系的な失敗を引き起こす。
W = W_mathrmft - W_mathrmbase$のSVDのテールを切断することで、タスク精度を維持しながら、スプリアスグループギャップを低減できる。
論文 参考訳(メタデータ) (2026-05-29T05:18:25Z) - Bias Redistribution in Visual Machine Unlearning: Does Forgetting One Group Harm Another? [11.010272355391223]
未学習は偏見を排除しないが、主に年齢境界ではなく性別に沿って再分類することを示す。
Refusal Vectorメソッドは再配布を減らすが、完全に忘れることができず、性能が著しく低下する。
論文 参考訳(メタデータ) (2026-04-09T11:29:36Z) - UPCORE: Utility-Preserving Coreset Selection for Balanced Unlearning [57.081646768835704]
ユーザ仕様や法的フレームワークは、しばしば、大きな言語モデル(LLM)を含む、事前訓練されたモデルから削除される情報を必要とする。
これは、既に訓練済みのモデルからデータポイントのセットを削除または"偽造"する必要がある。
本研究では,非学習時の副次的損傷を軽減するための手法に依存しないデータ選択フレームワークUPCOREを提案する。
論文 参考訳(メタデータ) (2025-02-20T22:51:10Z) - Rejection via Learning Density Ratios [50.91522897152437]
拒絶による分類は、モデルを予測しないことを許容する学習パラダイムとして現れます。
そこで我々は,事前学習したモデルの性能を最大化する理想的なデータ分布を求める。
私たちのフレームワークは、クリーンでノイズの多いデータセットで実証的にテストされます。
論文 参考訳(メタデータ) (2024-05-29T01:32:17Z) - ASPEST: Bridging the Gap Between Active Learning and Selective
Prediction [56.001808843574395]
選択予測は、不確実な場合の予測を棄却する信頼性のあるモデルを学ぶことを目的としている。
アクティブラーニングは、最も有意義な例を問うことで、ラベリングの全体、すなわち人間の依存度を下げることを目的としている。
本研究では,移動対象領域からより情報のあるサンプルを検索することを目的とした,新たな学習パラダイムである能動的選択予測を導入する。
論文 参考訳(メタデータ) (2023-04-07T23:51:07Z) - ELODI: Ensemble Logit Difference Inhibition for Positive-Congruent Training [110.52785254565518]
負のフリップ率(NFR)を減少させる既存の方法は、新しいモデルに古いモデルを模倣させたり、アンサンブルを使用したりすることで、全体的な精度を犠牲にしている。
我々は、NFRの低減におけるアンサンブルの役割を分析し、通常決定境界に近くない負のフリップを取り除くことを観察する。
本稿では,誤り率とNFRの両方でパラゴン性能を実現する分類システムを訓練するためのELODI(Ensemble Logit Difference Inhibition)を提案する。
論文 参考訳(メタデータ) (2022-05-12T17:59:56Z) - Examining and Combating Spurious Features under Distribution Shift [94.31956965507085]
我々は、最小限の統計量という情報理論の概念を用いて、ロバストで刺激的な表現を定義し、分析する。
入力分布のバイアスしか持たない場合でも、モデルはトレーニングデータから急激な特徴を拾い上げることができることを証明しています。
分析から着想を得た結果,グループDROは,グループ同士の相関関係を直接考慮しない場合に失敗する可能性が示唆された。
論文 参考訳(メタデータ) (2021-06-14T05:39:09Z)
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。