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。
深層メトリック学習(DML)は,表現の類似性構造に関する強調を通して,より少ない監督による学習を可能にする。ゼロショット検索のような設定におけるDMLの一般化改善に関する多くの研究が行われているが,公平性に対するその意味についてはほとんど知られていない。本論文では,不均衡データで訓練された最新のDML法を評価し,これらの表現が,下流タスクに用いるとき,少数サブグループ性能に対して,これらの表現が,マイナスの影響を示すことを初めて評価した。本研究では,まず,表現空間-クラス間アラインメント,クラス内アラインメント,および均一性の3つの特性の解析を通して,DMLにおける公平性を定義し,表現公平性を特徴付けるために,非均衡DMLベンチマークにおける公平性を,フィンDMLを提案した。フィンDMLを利用して,DML表現のバイアスを見出し,共通の下流分類タスクに伝搬する。驚くべきことに,このバイアスは,下流タスクにおける訓練データが再バランスされる場合でも伝播する。この問題に取り組むために,著者らは,高感度属性から特徴表現を脱相関し,埋込み空間と下流計量の両方におけるサブグループ間の性能ギャップを低減するために,部分属性相関(PARADE)を提示した。【JST・京大機械翻訳】