Компьютерные науки > Машинное обучение [представлено 19 мая 2025 года (v1), последний пересмотренный вариант 15 сентября 2026 года (эта версия v3)] Название: Когда правила большинства проигрывают, меньшинство теряет: пристрастная амплитация градиентного спуска View Abstrably: Несмотря на растущие эмпирические доказательства усиления предвзятости в машинном обучении, его теоретические основы остаются недостаточно понятными. Мы разрабатываем формальную основу для решения задач по обучению меньшинств, показывающую, как стандартная профессиональная подготовка может благоприятствовать группам большинства и создавать стереотипные прогнозы, игнорирующие особенности, присущие меньшинствам. Исходя из предположения о несбалансированности численности населения и различиях, наш анализ показывает три ключевых вывода: i) тесную связь между "полными данными" и стереотипными прогнозами; ii) преобладание региона, в котором обучение по всей модели имеет тенденцию к изучению большинства характеристик, и iii) более низкий предел требуемой дополнительной подготовки. Наши результаты иллюстрируются экспериментами по глубокому изучению задач, связанных с табличными таблицами и классификацией изображений. История представления: Франсуа Бачок [по электронной почте] [через доверенное лицо ККУР] [v1] Мон, 19 мая 2025 года 13:51:49 UTC (2 075 KB) [ v2] Mon, 20 октября 2025 07:35:36 UTS (1 057 KB)] [v3] Tue, 15 Sep 2026 15:25:18 UTK (2 089 KB). Текущий контекст просмотра: cs.LG Reference & Citations…
Когда правила большинства проигрывают меньшинству: пристрастное усиление градиентного спуска
arXiv:2505.13122v3 Annualce Type: заменить резюме: Несмотря на растущее эмпирическое подтверждение усиления пристрастности в машинном обучении, его теоретические основы остаются плохо понятными. Мы разрабатываем формальную основу для решения задач по обучению меньшинств, показывающую, как стандартная профессиональная подготовка может благоприятствовать группам большинства и создавать стереотипные прогнозы, игнорирующие особенности, присущие меньшинствам. Исходя из предположения о несбалансированности численности населения и различиях, наш анализ показывает три ключевых вывода: i) тесную связь между "полными данными" и стереотипными прогнозами; ii) преобладание региона, в котором обучение по всей модели имеет тенденцию к изучению большинства характеристик, и iii) более низкий предел требуемой дополнительной подготовки. Наши результаты иллюстрируются экспериментами по глубокому изучению задач, связанных с табличными таблицами и классификацией изображений.