公平感知生成对抗网络

May, 2018

FairGAN: Fairness-aware Generative Adversarial Networks

Depeng Xu, Shuhan Yuan, Lu Zhang, Xintao Wu

TL;DR本文提出了一种名为 FairGAN 的公平性生成对抗网络，旨在生成既不带偏见又具有较好数据实用性的数据。与基本的公平数据生成模型相比，FairGAN 还确保了对生成数据进行分类的分类器可以在真实数据上实现公平分类。

Abstract

fairness-aware learning is increasingly important in data mining. discrimination prevention aims to prevent discrimination in the training data before it is used to conduct predictive analysis. In this paper, we

fairness-aware learning discrimination prevention fair data generation generative adversarial networks fair classification

发现论文，激发创造

生成式对抗网络的公正性分析

本文分析并强调 GAN 模型的公平性问题，提出了针对样本组的 GAN 模型调节或采用集成方法的解决方案，避免因训练过程中对某些群体偏好而测试时不能统一生成不同群体的数据分布。

Mar, 2021

公平合成数据生成

本研究提出一种通过预处理算法识别和删除偏差样本以生成更公平的合成数据的管道，可以有效地克服许多挑战，并在某些情况下提高性能。

Oct, 2022

公平性生成对抗网络

本文介绍了公平 GAN，一种生成数据集的方法，这个数据集类似于给定的多媒体数据集，但在分配决策中对受保护属性更公平。我们提出了一种新颖的辅助分类器 GAN，力求实现人口统计学公平或机会平等，并在几个数据集上展示了实证结果，包括名人面孔属性 (CelebA) 数据集、Quick, Draw! 数据集以及一个足球球员图像数据集和他们被罚下的进攻。这种方法适合吸收未标记的数据，我们利用这个方法增强了足球数据集。在生成逼真的图像的同时，方法倾向于改善人口统计学公平和机会平等。

May, 2018

不需重新训练深度生成模型的公平性改进

该研究使用生成对抗网络 (GANs) 生成面孔，发现在生成图像的过程中，训练数据中的偏见被放大。为了解决这个问题，提出了一种可解释的基准方法来平衡产生的面部属性，从而产生更平衡的数据。同时，该方法具有泛化能力来处理多个属性以及细分组的样本合成，进而用于量化商业人脸属性分类器和人脸超分辨率算法中的偏见。

Dec, 2020

通过对抗网络逼近机器学习公平性

介绍一种新的针对敏感特征的机器学习公平性框架，通过去除敏感信息和最小化敏感特征的边际贡献来改善模型的公平性。实验结果表明，该模型在公平性指标和预测性能方面均优于相关最先进方法。

Sep, 2019

包容性 GAN：在生成模型中改进数据和少数族裔覆盖率

通过协调对抗训练和重构生成来提高数据覆盖率，并扩展了一个允许显式控制模型应该包含的少数群体的方法。

Apr, 2020

RepFair-GAN: 通过梯度截断减轻 GAN 中的表示偏差

研究表明在 GANs 模型中存在代表性不公平，通过控制不同群体在判别器训练中的梯度范数，实现了更加公平的数据生成，同时保持了生成样本的质量。

Jul, 2022

生成对抗网络用于数据增强

使用生成对抗网络 (GANs) 来扩充医疗领域中用于训练人工智能模型的可用数据集是可行的，然而仍需在医学影像使用 GANs 方面进行更进一步的研究以确保生成的影像质量高并适用于临床环境。

Jun, 2023

生成对抗网络概述

本文概述了生成对抗网络在信号处理中的应用，讨论了 GANs 的训练方法和构建策略以及它们在 deep representations 学习中的表现和存在的挑战。

Oct, 2017

淬炼对抗网络

通过引入一种简单的方法，使真实数据分布经过一个‘透镜’传达给辨别器，让生成器逐步揭示出更多细节特征，改善了 GAN 训练的质量、稳定性和收敛速度，对各种 GAN 架构如 DCGAN、LSGAN、WGAN-GP 都可行。

Feb, 2018