公平性だけは計量的か?ディープメトリック学習におけるサブグループギャップの評価および対処【JST・京大機械翻訳】

Dullerud Natalie; Roth Karsten; Hamidieh Kimia; Papernot Nicolas; Ghassemi Marzyeh

プレプリント

J-GLOBAL ID：202202212004720131 整理番号：22P0309398

公平性だけは計量的か?ディープメトリック学習におけるサブグループギャップの評価および対処【JST・京大機械翻訳】

Is Fairness Only Metric Deep? Evaluating and Addressing Subgroup Gaps in Deep Metric Learning

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 (5件)： , , , ,
資料名：
発行年： 2022年03月23日プレプリントサーバーでの情報更新日： 2022年03月23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)

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】

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

人工知能

, ,

前のページに戻る