group fairness | BriefGPT - AI 论文速递

关键词group fairness

搜索结果 - 72

评估 AI 群体公平性：模糊逻辑视角
人工智能系统通常通过评估和缓解群体歧视措施来解决公平性问题，但什么构成群体公平性取决于问谁和社会背景，而定义通常会放松以接受对统计限制的小偏差。
PDF7 days ago
基于 LLM 的决策中引导群体公平性
通过评估 LLM（大型语言模型）在毒性分类任务中的公平性表现，我们引入多种修复技术并对公平性和性能进行了评估，以鼓励在基于 LLM 的分类器中进行更多关于群体公平性的研究。
PDF10 days ago
利用隐含背景完成 Pareto 最优偏好学习
通过使用 Pareto Optimal Preference Learning (POPL) 模型，借助于 Lexicase 筛选过程，本研究实证评估表明 POPL 在学习奖励函数方面超过基线方法，有效满足不同的群体需求，并确保包容和公平的
PDF13 days ago
FairAC 的再现性研究
这项工作旨在通过调查原始论文的结果来验证论文 “在缺失属性图上的公平属性完成”（作者：Guo、Chu 和 Li，arXiv：2302.12977）中的声明。我们发现 FairAC 可以应用于各种数据集和敏感属性，并提供证据表明 FairAC
PDFa month ago
在执行式政策学习中的算法公平性：突破群体公平的不可能性
在社会分类问题中，我们通过利用预测模型的表现性来实现更强的群体公平保证，解决了冲突的群体公平定义，并通过决策者的能力引导人口以从长远来解决不公平问题。
PDFa month ago
后公平联邦学习：通过后处理在联邦学习中实现群组和社区公平
提出并分析了一种后处理公平联邦学习 (post-FFL) 框架，该框架使用线性规划同时强制实施群体公平性和社区公平性，以提高全局模型的效用。实验证明，post-FFL 在提高群体公平性、社区公平性、通信效率和计算成本方面优于现有的内部处理公
PDFa month ago
基于社会福利优化的群体公平评估
该论文通过优化社会福利功能（SWF）来评估各种公平性定义，探讨了广义社会公正观念是否对实现 AI 中的公平性有用，结果表明最优解可以在特定条件下证明人口平等或平等几率，但通常需要偏离这些平等类型。此外，预测率平衡的实用性有限，这些结果表明优
PDFa month ago
WWW公平图表示学习通过敏感属性解耦
通过敏感属性解耦来改善图神经网络的公平性，提出了一个名为 FairSAD 的公平 GNN 框架，通过通道屏蔽机制自适应地识别相关敏感属性的组件并消除其相关性，从而最小化敏感属性对 GNN 结果的影响，同时保留与敏感属性相关的任务信息，并在几
PDF2 months ago
预测机器学习软件配置的公平性
通过研究机器学习的超参数与公正之间的关系，本文提供了一种有效的方法来理解超参数和公正之间的关系，以及在训练算法中进行细致调整的框架。
PDF2 months ago
缩小公平鸿沟：在图神经网络中实现群体和个体公平
在图学习的背景下，我们提出了一个名为 Fairness for Group and Individual (FairGI) 的新概念，该概念考虑了组公平性和组内个体公平性，并通过个体之间的相似度矩阵实现了组内个体公平性，同时利用对抗学习来解
PDF2 months ago
FairRR：通过随机响应进行群体公平的预处理
在机器学习模型在决策过程中的不断增加使用中，研究这些系统的公平性已经在不断推进。尽管在入处理和后处理设置中已经进行了大量工作来研究群体公平性，但在预处理领域，这些结果与理论上的联系还很少。本文将在随机响应框架中的响应变量修改下进行下游模型的
PDF4 months ago
无需敏感群组访问的联邦公平性
通过单一超参数在一组大小约束下，在不依赖事先定义敏感群组或额外标签的情况下，确保联邦学习的团体公平性，同时实现公平与效用之间的权衡。
PDF4 months ago
追求效率的重复排名中组群之间的帕累托最优公平性
我们介绍了一种使用 Expohedron 解决多目标优化问题的方法，该方法能够在用户效用的最大化和生产者之间的不公平性的最小化之间提供 Pareto 最优平衡，并通过识别有限数量的 Pareto 最优解来捕获组公平性和用户效用之间的权衡。我
PDF4 months ago
GRAPHGINI：在图神经网络中促进个体和群体的公平性
我们提出了 GRAPHGINI 方法，通过 GNN 框架中可学习的注意分数来实现个体公平，并通过基于启发式的最大纳什社会福利约束保证最大可能的群体公平，该方法在实验中显示出在维持效用和群体平等的情况下，在个体公平方面相比其他最先进的方法有显
PDF4 months ago
关于输出扰动对二元线性分类中公平性的影响
我们在二元线性分类中理论上研究了差分隐私如何与个体公平性和群体公平性相互作用。具体来说，我们关注输出扰动机制，这是一种隐私保护机器学习的经典方法。我们导出了对扰动模型相对于原始模型可以实现的个体和群体公平性水平的高概率界限。因此，对于个体公
PDF5 months ago
AAAI多维公平联邦学习
我们提出了一种名为 mFairFL 的方法，通过使用差分乘数构建优化目标，同时实现组公平和客户公平，以解决在隐私不受损失的情况下训练公平的 FL 模型的问题。理论分析证明 mFairFL 有助于模型的公平性，并且基于三个基准数据集的实验评估
PDF7 months ago
FRAPPÉ: 一个适用于群体公平约束的后处理框架
提出了针对群体公平性的后处理缓解技术方法，通过调整基础模型的决策阈值，以提高公平性。在现实应用中，这种方法具有许多优势：后处理不需要访问模型训练流程，对基础模型架构没有偏好，并且计算成本较低。然而，现有方法仍面临其他挑战，如需要推理时了解敏
PDF7 months ago
设计动态系统中的长期群体公平策略
在这篇论文中，我们提出了一个新的框架，用于在动态系统中实现长期群体公平性，即使在政策设计过程中已经考虑了公平性。我们通过使用时间齐次马尔可夫链对系统动态进行建模，并利用马尔可夫链收敛定理优化政策，确保独特的收敛性。我们给出了一些系统的不同目
PDF7 months ago
基于 Wasserstein 独立性的公平文本分类
该论文提出了一种新的方法来减轻神经文本分类中的偏见，它能够在处理公正性问题时不需要敏感属性的注释，与现有的方法相比具有可比较或更好的公正性和准确性权衡。
PDF7 months ago
公平 ROAD：对抗去偏的鲁棒优化
该研究致力于解决局部公平性问题，引入了 ROAD 方法，结合了分布鲁棒优化框架和公平对抗学习目标，从而实现了在整个人口和特征空间的任何子区域内预测的无偏性。实证实验证明该方法在三个标准数据集上实现了局部公平性和准确性的帕累托优势，并在分布转
PDF8 months ago