敏感な属性なしの公平モデルの学習:生成的アプローチ【JST・京大機械翻訳】

Zhu Huaisheng; Wang Suhang

プレプリント

J-GLOBAL ID：202202206128424425 整理番号：22P0322634

敏感な属性なしの公平モデルの学習:生成的アプローチ【JST・京大機械翻訳】

Learning Fair Models without Sensitive Attributes: A Generative Approach

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年03月30日プレプリントサーバーでの情報更新日： 2022年03月30日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

ほとんどの既存の公正分類器は,公平性を達成するために,敏感な属性に依存する。しかし,多くのシナリオでは,プライバシーと法的問題のために,敏感な属性を得ることができない。敏感な属性の欠如は,多くの既存の作業に挑戦する。敏感な属性を欠いているが,多くのアプリケーションでは,通常,敏感な属性に関連する様々なフォーマットの特徴や情報が存在する。例えば,個人購入履歴は,彼または彼女の人種を反映することができ,それは人種に関する公正な分類器の学習に役立つであろう。しかし,敏感な属性のない公正なモデルを学習するための関連特徴を探索する研究は,むしろ限られている。したがって,本論文では,関連する特徴を探索することによって,敏感な属性のない公正なモデルを学習する新しい問題を研究した。確率的生成フレームワークを提案し,様々なフォーマットにおける関連特徴を持つ訓練データからの高感度属性を効果的に推定し,推定感度属性情報を利用して,公正なモデルを学習した。実世界データセットに関する実験結果は,精度と公平性の両方に関して,著者らのフレームワークの有効性を示した。【JST・京大機械翻訳】

, , , , , , , , ,
, , 【Automatic Indexing@JST】

人工知能 , パターン認識

, ,

前のページに戻る