ترجمه فارسی مقاله یادگیری بازنمایی های متغیر منصفانه تحت تغییر همزمان و همبستگی همزمان

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Learning Fair Invariant Representations under Covariate and Correlation Shifts Simultaneously
عنوان مقاله به فارسی یادگیری بازنمایی های متغیر منصفانه تحت تغییر همزمان و همبستگی همزمان
نویسندگان Dong Li, Chen Zhao, Minglai Shao, Wenjun Wang
فرمت مقاله انگلیسی PDF
تعداد صفحات 10
لینک دانلود رایگان مقاله انگلیسی دانلود مقاله
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computers and Society,یادگیری ماشین , هوش مصنوعی , رایانه و جامعه ,
توضیحات Submitted 17 August, 2024; originally announced August 2024. , Comments: CIKM 2024
توضیحات به فارسی ارسال شده 17 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: CIKM 2024
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

Achieving the generalization of an invariant classifier from training domains to shifted test domains while simultaneously considering model fairness is a substantial and complex challenge in machine learning. Existing methods address the problem of fairness-aware domain generalization, focusing on either covariate shift or correlation shift, but rarely consider both at the same time. In this paper, we introduce a novel approach that focuses on learning a fairness-aware domain-invariant predictor within a framework addressing both covariate and correlation shifts simultaneously, ensuring its generalization to unknown test domains inaccessible during training. In our approach, data are first disentangled into content and style factors in latent spaces. Furthermore, fairness-aware domain-invariant content representations can be learned by mitigating sensitive information and retaining as much other information as possible. Extensive empirical studies on benchmark datasets demonstrate that our approach surpasses state-of-the-art methods with respect to model accuracy as well as both group and individual fairness.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به تعمیم یک طبقه بندی کننده ثابت از حوزه های آموزشی به حوزه های تست تغییر یافته در حالی که همزمان در نظر گرفتن انصاف مدل یک چالش اساسی و پیچیده در یادگیری ماشین است.روشهای موجود به مسئله تعمیم دامنه انصاف آگاه ، با تمرکز بر تغییر متغیرهای متغیر یا تغییر همبستگی پرداخته می شود ، اما بندرت هر دو را به طور همزمان در نظر می گیرد.در این مقاله ، ما یک رویکرد جدید را معرفی می کنیم که بر یادگیری یک پیش بینی کننده دامنه-متغیر در یک چارچوب که به طور همزمان تغییر می کند و همزمان همزمان همزمان می شود ، متمرکز می شود و از تعمیم آن در حوزه های آزمون ناشناخته غیرقابل دسترسی در طول آموزش اطمینان می دهیم.در رویکرد ما ، داده ها ابتدا در فضاهای نهفته به عوامل محتوا و سبک تقسیم می شوند.علاوه بر این ، بازنمایی محتوای متغیر دامنه-متغیرهای متعارف را می توان با کاهش اطلاعات حساس و حفظ تا آنجا که ممکن است اطلاعات دیگر آموخت.مطالعات تجربی گسترده در مورد مجموعه داده های معیار نشان می دهد که رویکرد ما از روشهای پیشرفته با توجه به دقت مدل و همچنین انصاف گروهی و فردی پیشی می گیرد.

📚 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.