Assessing Electricity Service Unfairness with Transfer Counterfactual Learning
원문 초록
Energy justice is a growing area of interest in interdisciplinary energy research. However, identifying systematic biases in the energy sector remains challenging due to confounding variables, intricate heterogeneity in counterfactual effects, and limited data availability. First, this paper demonstrates how one can evaluate counterfactual unfairness in a power system by analyzing the average causal effect of a specific protected attribute. Subsequently, we use subgroup analysis to handle model heterogeneity and introduce a novel method for estimating counterfactual unfairness based on transfer learning, which helps to alleviate the data scarcity in each subgroup. In our numerical analysis, we apply our method to a unique large-scale customer-level power outage data set and investigate the counterfactual effect of demographic factors, such as income and age of the population, on power outage durations. Our results indicate that low-income and elderly-populated areas consistently experience longer power outages under both daily and post-disaster operations, and such discrimination is exacerbated under severe conditions. These findings suggest a widespread, systematic issue of injustice in the power service systems and emphasize the necessity for focused interventions in disadvantaged communities.
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
BiView-Touch: 교차 손 완성을 통한 양손 촉각 표현 학습
BiView-Touch: Learning Bimanual Tactile Representations by Cross-Hand Completion
양손 상호작용은 동일한 물리적 과정에 대해 상보적인 촉각 뷰를 만들지만, 기존 촉각 표현 학습은 두 손을 대체로 독립적으로 모델링하거나 하류 예측을 위해 결합하는 수준에 그쳐 교차 손 관계는 거의 다루지 않았다. 이 간과된 구조를 활용하기 위해, 우리는 마스킹된 목표 손 잠재 변수를 남은 가시 목표 손 영역과 동기화된 전체 대측(contralateral) 손으로부터 완성하는 촉각 전용 프레임워크 BiView-Touch를 제안한다. 기하학 조건부(geometry-conditioned) 방향 디코더를 갖춘 student 인코더가 전체 뷰 EMA 잠재 타깃을 예측하며, 시간적·레이아웃 반사실(counterfactual)은 동기화되고 해부학적으로 조직된 소스 정보에 대한 민감도를 높인다. 통제된 ablation과 소스-컨텍스트 개입은 BiView-Touch가 양측 입력만으로 이득을 보는 것이 아니라, 시간 정렬되고 해부학적으로 조직된 대측 촉각 컨텍스트에 대한 구조화된 교차 손 의존성을 학습함을 보여준다. 공개 HumanTouch 데이터셋에서 고정(frozen) 표현은 저레이블 설정 전반에서 대표적인 자기지도 학습 baseline을 꾸준히 능가한다. 하류 레이블 5%만 사용할 때 BiView-Touch는 양손 손목 운동 인식에서 균형 정확도가 상대 7.1% 향상되고, 힘 기반 상호작용 위상 인식에서는 14.1% 향상된다. 또한 20개 과제 양손 촉각 데이터셋 BVT-20을 소개하고, 녹화 세션 및 사전학습 코퍼스 간 전이와 홀드아웃 양손 과제로의 전이를 입증한다. 코드 및 데이터셋 세부 정보는 익명 프로젝트 페이지에서 확인할 수 있다: https://anonymous.4open.science/w/biview-touch-review-site-050C/.
LegendBench: 반사실적 개입을 통한 범례 이해 진단 벤치마크
LegendBench: A Diagnostic Benchmark for Legend Understanding with Counterfactual Interventions
범례(legend)는 차트 이해의 핵심 요소로, 신뢰할 수 있는 해석을 위해서는 범례 항목을 그에 대응하는 시각적 마크와 올바르게 결합해야 합니다. 비전-언어 모델(VLM)이 차트 이해에 점점 더 많이 적용되고 있지만, 이들의 범례 이해 능력은 종합 정확도로는 제대로 진단되지 않습니다. 종합 정확도는 피상적인 지름길(shortcut)에 의해 충족될 수 있으며, 범례 특화 오류를 다른 추론 실패와 혼동할 수 있기 때문입니다. 세밀한 진단과 통제된 테스트를 가능하게 하기 위해, 본 논문에서는 목적 지향적인 범례 중심 테스트 케이스를 생성하는 모수적 벤치마크이자 생성 파이프라인인 LegendBench를 소개합니다. LegendBench는 (1) 오류 위치를 특정하기 위해 범례 파싱, 범례 그라운딩(grounding), 범례 조건부 추론, 범례 인식 기권(abstention)을 아우르는 역량-작업 분류 체계와 (2) 모델의 불변성(invariance)과 민감도를 탐색하기 위해 통제된 범례 개입 하에서 각 기본 차트로부터 여러 변형을 생성하는 반사실적 그룹 생성을 제공합니다. LegendBench를 활용하여 범용 VLM과 특화된 차트 모델을 모두 평가하고 이들의 역량 프로파일을 생성한 결과, 신뢰할 수 있는 범례-마크 결합과 반사실적 일관성에서 지속적인 병목 현상이 나타남을 확인했습니다. 이어 이러한 역량 프로파일을 바탕으로 목표 지향적 미세조정(fine-tuning)을 수행하여, 병목 현상에 특화된 개입이 국소적인 역량 격차를 효과적으로 해소하고 보지 못한 데이터에도 일반화될 수 있음을 입증합니다. 나아가 본 논문의 반사실적 설계를 활용해 인코딩 채널 효과, 범례 순서 지름길, 다양한 가시성 조건에서의 기권 등을 분석하는 세밀한 진단 실험을 수행합니다.
파운데이션 이미지 모델 특화를 통한 흉부 X-ray 반사실적 생성
Generating Chest X-Ray Counterfactuals by Specialising Foundation Image Models
반사실적(counterfactual) 이미지 생성은 소급적·가상적 시나리오에서 대상이 어떻게 보였을지에 대한 질문에 답한다. 최근 방법들은知覚 품질, 정체성 보존, 근본 인과 모델에 대한 충실도를 개선했지만, 주석 데이터 부족, 데이터셋 간 분포 이동(distribution shift), 사전학습된 생성 모델과 반사실적 추론(inference)에 필요한 모델 간 불일치로 인해 의료 분야에서의 채택이 제한된다. 우리는 분포 이동 하에서 사전학습된 비인과 생성 모델을 인과 메커니즘으로 적응시키는 데이터 및 매개변수 효율적 프레임워크인 특화(specialisation)를 제안한다. 이 프레임워크에 기반하여 잠재 flow matching을 사용해 RadCF라는 방사선학 반사실적 이미지 생성 모델을 학습한다. 서로 다른 데이터셋 이동, 데이터 규모, 반사실적 질문을 아우르는 세 개의 흉부 X-ray 데이터셋에서 접근법을 검증했으며, 이는 도전적이고 고도로 국소화된 개입과 연관된다. 결과는 RadCF와 특화가 데이터 및 매개변수 효율적이면서 기존 방법 대비 반사실적 타당성을 개선하고, 생성된 반사실적이 다운스트림 의료 분류기에서 shortcut learning을 탐지·완화할 수 있음을 보여준다. 코드는 https://github.com/GSK-AI/RadCF/ 에서 이용 가능하다.
Camouflaged Variational Graph AutoEncoder against Attribute Inference Attacks for Cross-Domain Recommendation
Multi-modal Siamese Network for Entity Alignment
DroneGround: 합성 데이터와 그라운디드 비전-언어 모델을 활용한 오픈 보캐블러리 드론 탑재체 특성 분석
DroneGround: Open-Vocabulary Drone Payload Characterization Using Synthetic Data and Grounded Vision-Language Models
자동화된 드론 감시는 공공 안전, 중요 인프라 보호 및 제한 공역 모니터링을 위해 점점 더 중요해지고 있습니다. 기존의 비전 기반 시스템은 드론 탐지 및 추적에서 뛰어난 성능을 달성하지만, 원거리 촬영 조건에서는 주석이 달린 실제 데이터셋의 부족과 배포 시 직면하는 상당한 분포 변화(distribution shift)로 인해 신뢰할 수 있는 탑재체(payload) 특성 분석이 여전히 매우 어려운 과제로 남아 있습니다. 기존 접근법들은 탑재체 특성 분석을 닫힌 집합(closed-set) 객체 검출 문제로 정식화하여, 이전에 보지 못한 탑재체를 인식하고 학습 분포를 넘어 일반화하는 능력을 제한합니다. 이러한 문제를 해결하기 위해, 본 논문에서는 Unreal Engine 5와 Cosys-AirSim을 사용하여 사실적인(photorealistic) 합성 드론-탑재체 데이터셋을 생성하고, 강력한 오픈 보캐블러리(open-vocabulary) 탑재체 분석을 위한 2단계 프레임워크인 DroneGround(Grounded Vision-Language Payload Characterization)를 제안합니다. DroneGround는 먼저 YOLO26s 검출기를 사용하여 드론의 위치를 특정하고 드론 중심의 이미지 크롭을 추출한 다음, LoRA 파인튜닝된 PaliGemma 비전-언어 모델을 활용해 탐지된 드론 및 부착된 탑재체에 대한 시맨틱 설명을 생성함으로써 사전에 정의된 범주를 넘어서는 오픈 보캐블러리 탑재체 특성 분석을 가능하게 합니다. 또한 폐색 기반 그라운딩(grounding) 모듈은 생성된 설명에 기여하는 이미지 영역을 식별하여 해석 가능한 탑재체 위치 추정 기능을 제공합니다. 합성 및 실제 드론 영상 모두에 대한 광범위한 실험을 통해 DroneGround가 합성-실제(synthetic-to-real) 분포 변화 하에서 견고성을 크게 향상시켜 F1-점수를 82.5%에서 96.3%로 높여 기존의 닫힌 집합 탑재체 검출기를 능가하는 동시에, 이전에 보지 못한 탑재체 범주에 대해서도 훨씬 더 우수한 일반화 성능(F1 80.4% 대 42.7%)을 달성함을 입증합니다. 데이터셋과 코드는 요청 시 공개될 예정입니다.
토론
이 논문과 연결된 포럼 글이 아직 없습니다.