MAPress
مقاله تعمیم دامنه حساس به شفافیت تحت تغییرات متغیر و وابستگی

مقاله تعمیم دامنه حساس به شفافیت تحت تغییرات متغیر و وابستگی

تگ‌ها: Artificial Intelligence Computers and Society Machine Learning رایانه و جامعه هوش مصنوعی یادگیری ماشین

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

عنوان مقاله به انگلیسی Fairness-Aware Domain Generalization under Covariate and Dependence Shifts
عنوان مقاله به فارسی مقاله تعمیم دامنه حساس به شفافیت تحت تغییرات متغیر و وابستگی
نویسندگان Chen Zhao, Kai Jiang, Xintao Wu, Haoliang Wang, Latifur Khan, Christan Grant, Feng Chen
زبان مقاله انگلیسی
فرمت مقاله: PDF
تعداد صفحات 0
دسته بندی موضوعات Machine Learning,Artificial Intelligence,Computers and Society,یادگیری ماشین , هوش مصنوعی , رایانه و جامعه ,
توضیحات Submitted 23 November, 2023; originally announced November 2023.
توضیحات به فارسی ارسال شده 23 نوامبر 2023 ؛در ابتدا نوامبر 2023 اعلام شد.

چکیده

Achieving the generalization of an invariant classifier from source domains to shifted target domains while simultaneously considering model fairness is a substantial and complex challenge in machine learning. Existing domain generalization research typically attributes domain shifts to concept shift, which relates to alterations in class labels, and covariate shift, which pertains to variations in data styles. In this paper, by introducing another form of distribution shift, known as dependence shift, which involves variations in fair dependence patterns across domains, we propose a novel domain generalization approach that addresses domain shifts by considering both covariate and dependence shifts. We assert the existence of an underlying transformation model can transform data from one domain to another. By generating data in synthetic domains through the model, a fairness-aware invariant classifier is learned that enforces both model accuracy and fairness in unseen domains. Extensive empirical studies on four benchmark datasets demonstrate that our approach surpasses state-of-the-art methods.

چکیده به فارسی (ترجمه ماشینی)

دستیابی به تعمیم یک طبقه بندی کننده ثابت از حوزه های منبع به حوزه های هدف تغییر یافته در حالی که همزمان در نظر گرفتن انصاف مدل یک چالش اساسی و پیچیده در یادگیری ماشین است.تحقیقات عمومی سازی دامنه موجود به طور معمول تغییر دامنه به تغییر مفهوم را نشان می دهد ، که مربوط به تغییرات در برچسب های کلاس و تغییر متغیر است ، که مربوط به تغییرات در سبک های داده است.در این مقاله ، با معرفی شکل دیگری از تغییر توزیع ، معروف به تغییر وابستگی ، که شامل تغییرات در الگوهای وابستگی منصفانه در حوزه ها است ، ما یک رویکرد کلی سازی دامنه جدید را پیشنهاد می کنیم که با در نظر گرفتن تغییر هم متغیرها و وابستگی ، به تغییر دامنه می پردازد.ما ادعا می کنیم وجود یک مدل تحول اساسی می تواند داده ها را از یک دامنه به دامنه دیگر تبدیل کند.با تولید داده ها در حوزه های مصنوعی از طریق مدل ، یک طبقه بندی کننده متغیر متعارف آگاهانه آموخته می شود که هم دقت مدل و هم انصاف را در حوزه های غیب اعمال می کند.مطالعات تجربی گسترده در مورد چهار مجموعه داده معیار نشان می دهد که رویکرد ما از روشهای پیشرفته 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.