Core Concepts
入力摂動は深層学習モデルの予測精度と個人の公平性に両方の影響を及ぼす。敵対的な摂動は誤った予測や偏った判断を生み出す一方で、適切な摂動は誤りを修正し、正確かつ公平な予測を実現できる。
Abstract
本論文は、深層学習モデルの予測精度と個人の公平性を同時に保証する新しいロバスト性の定義「ロバスト正確公平性」を提案する。
まず、RAFairと呼ばれる敵対的な摂動手法を紹介する。RAFairは、入力摂動によって予測精度を低下させたり個人の公平性を損なったりする偽の或いは偏った事例を生成する。
次に、これらの偽の或いは偏った事例を修正するための適切な摂動手法を提案する。適切な摂動を加えることで、敵対的な摂動による悪影響を大幅に軽減できることを示す。
実験結果から、RAFairは深層学習モデルの脆弱性を効果的に暴き出すことができ、一方で適切な摂動はそれらの脆弱性を修正できることが分かった。
このように、入力摂動は深層学習モデルの正確性と公平性に両刃の剣のような影響を及ぼすことが明らかになった。
Stats
入力摂動によって予測精度が低下した事例の割合は平均22.4%であった。
入力摂動によって個人の公平性が損なわれた事例の割合は平均57.6%であった。
適切な摂動を加えることで、偽の或いは偏った事例の58.4%が正確かつ公平な予測に修正された。
Quotes
"入力摂動は深層学習モデルの予測精度と個人の公平性に両方の影響を及ぼす。"
"敵対的な摂動は誤った予測や偏った判断を生み出す一方で、適切な摂動は誤りを修正し、正確かつ公平な予測を実現できる。"
"RAFairは深層学習モデルの脆弱性を効果的に暴き出すことができ、一方で適切な摂動はそれらの脆弱性を修正できる。"