抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
公平性のグループベース概念に対する標準アプローチ,例えば,パリティと等質化オッズは,既知のグループ(人種,性別など)にわたるパフォーマンスの絶対測度を等しくする試みである。結果的に,分類するのに固有のグループが,他のグループに関する性能に戻るかもしれない。そして,保証は,非強化グループのために提供することができた。代わりに,クラスGにおける各グループgに対する保証がg上の最良分類器の性能に関連する公平性概念を提案した。この概念を,特に,(a)Gがデータ中のすべての可能なグループ(部分集合)から成り,(b)Gがより流線化されるような幅広いグループにこの概念を適用した。完全に未知である群である最初の設定のために,著者らは,PF(比例的公平性)分類装置を考案し,それは,任意の可能なグループgに関して,データ集合におけるgの相対的サイズによってスケーリングされたgのための最適分類器のそれに比例する精度を,保証した。すべての可能なグループを含むため,その幾つかは,関連にあまりにも複雑であり,最悪ケースの理論的保証は,より小さなサブセットに対して比例的に弱くなければならない。第2の設定のために,筆者らは,gの規模に依存しないg上で最適分類器の近似を近似する,あらゆるg∈G上で精度を追求するBeFair(Best-effort Fair)フレームワークを考案した。非凸問題におけるそのような保証結果に狙いを定めて,Gが線形仮説のセットであるとき,この困難の周りを得る新しい技術を設計した。このアルゴリズムを実世界データ集合でテストし,その性能に関する興味深い比較洞察を提供した。【JST・京大機械翻訳】
