| 研究課題/領域番号 |
23K13011
|
|---|
| 研究種目 |
若手研究
|
| 配分区分 | 基金 |
|---|
| 審査区分 |
小区分12040:応用数学および統計数学関連
|
|---|
| 研究機関 | 筑波大学 |
|---|
研究代表者 |
福地 一斗 筑波大学, システム情報系, 助教 (30838090)
|
|---|
| 研究期間 (年度) |
2023-04-01 – 2026-03-31
|
| 研究課題ステータス |
交付 (2024年度)
|
| 配分額 *注記 |
4,680千円 (直接経費: 3,600千円、間接経費: 1,080千円)
2025年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2024年度: 1,300千円 (直接経費: 1,000千円、間接経費: 300千円)
2023年度: 2,080千円 (直接経費: 1,600千円、間接経費: 480千円)
|
|---|
| キーワード | 公平性 / ミニマックス最適性 / Demographic parity / 転移学習 / 共変量シフト / demographic parity / minimax最適 / minimax最適性 |
|---|
| 研究開始時の研究の概要 |
本研究では，機械学習によってもたらされる差別の可能性を排除するために，公平な学習の問題を取り扱う．特に，この問題に対する最も良い学習アルゴリズムとして公平でminimax最適な学習アルゴリズムの解明を目指す．特に，複雑なバイアスが生じる状況において公平性の問題の難しさを明らかにすることを目指す．公平性の社会的需要が高まっている中で，minimax 最適性を解明することで学習アルゴリズムの合理性を担保することが可能になる．
|
| 研究実績の概要 |
今年度の成果として，最適で公平なアルゴリズムの解析において得られた知見を有用して，転移学習の理論解析の結果がNeurIPS 2024のワークショップであるM3Lに採択された．転移学習とは，予測を行うデータが従う分布（ターゲット分布）とは異なる分布（ソース分布）から得られるサンプルを活用して予測性能の向上を目指す問題である．公平性も転移学習もデータが実際に予測したい状況から歪みが生じていると言う意味で似た構造を持っている．転移学習の理論解析では，Kpotufe et al. (2021)の研究から始まったいくつかの研究によってソースサンプルサイズ一致性という観点から転移学習の成功を理論的に示すことが可能となった．この論文ではそれらの結果では対処できなかったターゲット分布の台がソース分布の台に含まれない状況においても，ソースサンプルサイズ一致性を達成できる学習アルゴリズムの開発とその理論的解析に成功した．この成果は，画像分類におけるソース分布とターゲット分布でスタイルが異なる画像が含まれる状況など，現実世界で頻繁に生じる問題に対応するものであり，より実践的な転移学習アルゴリズムの理論的保証ができた．
|
| 現在までの達成度 |
現在までの達成度
1: 当初の計画以上に進展している
理由
今年度はデータ生成分布のモデルにおいて，独立変数と従属変数間の関係が非線形であったり，センシティブ属性と従属変数間の関係が複雑である場合における最適な公平性を保証したアルゴリズムの構築をそれぞれ行う予定であった．今年度の研究によって独立変数と従属変数間の関係が非線形であり，センシティブ属性と従属変数間の関係が複雑である状況も取り扱える理論の構築に成功した．現在この成果に関する論文の執筆・投稿中である．
当初の最終目標はある程度達成されており，当初計画以上の進展していると言える．
|
| 今後の研究の推進方策 |
来年度は今年度解析した結果の採択を目指す．その他には，アルゴリズム自身がバイアスを発生させる現象の解析はできていない．この現象の詳細な解析も含めて進めていきたいと考えている．また，Demographic parity以外の公平性制約にも取り組んで行きたいと考えている．
|
