Fair Canonical Correlation Analysis

要約

この論文では、2 セットの変数間の関係を調べるために広く使用されている統計手法である正準相関分析 (CCA) における公平性と偏りについて調査します。
保護された属性に関連する相関格差エラーを最小限に抑えることで不公平性を軽減するフレームワークを提案します。
私たちのアプローチにより、CCA はすべてのデータ ポイントからグローバル射影行列を学習できると同時に、これらの行列がグループ固有の射影行列と同等の相関レベルを生み出すことが保証されます。
合成データセットと現実世界のデータセットの両方に対する実験評価により、CCA の精度を損なうことなく相関視差誤差を低減する私たちの方法の有効性が実証されました。

要約(オリジナル)

This paper investigates fairness and bias in Canonical Correlation Analysis (CCA), a widely used statistical technique for examining the relationship between two sets of variables. We present a framework that alleviates unfairness by minimizing the correlation disparity error associated with protected attributes. Our approach enables CCA to learn global projection matrices from all data points while ensuring that these matrices yield comparable correlation levels to group-specific projection matrices. Experimental evaluation on both synthetic and real-world datasets demonstrates the efficacy of our method in reducing correlation disparity error without compromising CCA accuracy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google