ترجمه فارسی مقاله انصاف توزیع چند خروجی از طریق پس پردازش

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 37,500 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی
عنوان مقاله به انگلیسی Multi-Output Distributional Fairness via Post-Processing
عنوان مقاله به فارسی انصاف توزیع چند خروجی از طریق پس پردازش
نویسندگان Gang Li, Qihang Lin, Ayush Ghosh, Tianbao Yang
فرمت مقاله انگلیسی PDF
تعداد صفحات 17
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computers and Society,Machine Learning,یادگیری ماشین , هوش مصنوعی , رایانه و جامعه , یادگیری ماشین ,
توضیحات Submitted 31 August, 2024; originally announced September 2024. , Comments: 17 pages, 4 figures
توضیحات به فارسی ارسال 31 اوت 2024 ؛در ابتدا سپتامبر 2024 اعلام شد ، نظرات: 17 صفحه ، 4 شکل
اطلاعات بیشتر از این مقاله در پایگاه های علمی INSPIRE HEP
NASA ADS
Google Scholar
Semantic Scholar

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

چکیده

The post-processing approaches are becoming prominent techniques to enhance machine learning models' fairness because of their intuitiveness, low computational cost, and excellent scalability. However, most existing post-processing methods are designed for task-specific fairness measures and are limited to single-output models. In this paper, we introduce a post-processing method for multi-output models, such as the ones used for multi-task/multi-class classification and representation learning, to enhance a model's distributional parity, a task-agnostic fairness measure. Existing techniques to achieve distributional parity are based on the (inverse) cumulative density function of a model's output, which is limited to single-output models. Extending previous works, our method employs an optimal transport mapping to move a model's outputs across different groups towards their empirical Wasserstein barycenter. An approximation technique is applied to reduce the complexity of computing the exact barycenter and a kernel regression method is proposed for extending this process to out-of-sample data. Our empirical studies, which compare our method to current existing post-processing baselines on multi-task/multi-class classification and representation learning tasks, demonstrate the effectiveness of the proposed approach.

چکیده به فارسی (ترجمه ماشینی)

رویکردهای پس از پردازش در حال تبدیل شدن به تکنیک های برجسته ای برای تقویت انصاف مدل های یادگیری ماشین به دلیل شهود بودن ، هزینه محاسباتی پایین و مقیاس پذیری عالی هستند.با این حال ، بیشتر روشهای موجود پس از پردازش برای اقدامات انصاف خاص کار طراحی شده و محدود به مدل های تک خروجی هستند.در این مقاله ، ما یک روش پس از پردازش را برای مدلهای چند موقعیتی ، مانند آنهایی که برای طبقه بندی چند وظیفه/چند طبقه و یادگیری بازنمایی استفاده می شود ، معرفی می کنیم تا برابری توزیع یک مدل ، یک اندازه گیری انصاف کار را انجام دهیم.تکنیک های موجود برای دستیابی به برابری توزیع بر اساس عملکرد چگالی تجمعی (معکوس) خروجی یک مدل است که محدود به مدل های تک خروجی است.با گسترش آثار قبلی ، روش ما از نقشه برداری بهینه برای انتقال خروجی های یک مدل در گروه های مختلف به سمت Barycenter تجربی خود استفاده می کند.یک روش تقریب برای کاهش پیچیدگی محاسبه BaryCenter دقیق اعمال می شود و یک روش رگرسیون هسته برای گسترش این فرآیند به داده های خارج از نمونه ارائه شده است.مطالعات تجربی ما ، که روش ما را با خط مقدمات فعلی پس از پردازش موجود در طبقه بندی چند وظیفه ای/چند طبقه و وظایف یادگیری بازنمایی مقایسه می کند ، اثربخشی رویکرد پیشنهادی را نشان می دهد.

📚 محتوای این محصول آموزشی (پکیج کامل)

علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیق‌تر و تسلط کامل بر مباحث مجموعه‌ای از کتاب‌های آموزشی نیز ارائه می‌شود.

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتاب‌ها، تمرین‌ها و خودآزمایی.

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.