統計的平等制約による学習

本論文では、機械学習が直面する新たな要求について述べています。従来の手法では、重み付けされた要求違反ペナルティをトレーニング目的に組み込むことで問題に対処しますが、このアプローチはハイパーパラメータの調整が必要であり、多数の要求がある場合には効果的ではありません。また、平等制約が関与する場合、現存の近似理論や一般化保証は適用できません。本研究では、平等制約を持つ統計的学習問題に対する一般化理論を導出し、サンプルと豊かなパラメータ化を用いた近似解法を提案しています。この成果を基に、制約のない経験的学習問題の連続解法に基づく実用的アルゴリズムを紹介し、公平な学習や境界値問題における新たな定式化の有効性を実証しています。