Wasserstein 公平分类

Jul, 2019

Wasserstein Fair Classification

Ray Jiang, Aldo Pacchiano, Tom Stepleton, Heinrich Jiang, Silvia Chiappa

TL;DR我们提出了一种公平分类的方法，通过最小化 Wasserstein-1 距离来强制执行分类器输出和敏感信息之间的独立性。我们引入了不同的方法，在测试时隐藏敏感信息，或具有简单快速的实现，并展示了在多个基准公平性数据集上与不同公平性基线的实证表现。

Abstract

We propose an approach to fair classification that enforces independence between the classifier outputs and sensitive information by minimizing w

fair classification wasserstein-1 distances sensitive information threshold empirical performance

发现论文，激发创造

基于 Wasserstein 独立性的公平文本分类

该论文提出了一种新的方法来减轻神经文本分类中的偏见，它能够在处理公正性问题时不需要敏感属性的注释，与现有的方法相比具有可比较或更好的公正性和准确性权衡。

Nov, 2023

基于 Wasserstein 的机器学习模型公平性解释框架

本文介绍了一种公平解释性框架，用于在分布级别上测量和解释分类和回归模型中的偏见。通过使用 Wasserstein 度量，在模型输出的亚群分布上测量模型偏差，考虑模型和预测变量相对于非受保护类的有利性，使用运输理论进行量化，并通过博弈理论的技术实现偏见解释的可加性。

Nov, 2020

一种分布鲁棒的公平分类方法

提出了一种具有不公平惩罚的分布鲁棒逻辑回归模型，可以使用 Wasserstein ball 来对分布不确定性进行建模以实现公平机会并提高公平性。

Jul, 2020

Wasserstein 双凸权重平均的公平回归

通过公平回归和最优输运理论的联系，得到一种最优公平的预测器，并建议了一个简单的后处理算法来实现公平。这个结果提出了最优公平预测的直观解释，并为这个过程建立了风险和无分布的公平保证。

Jun, 2020

分类中公平的代价

本文研究学习分类器的公平性约束问题并提出了三种解决方案，分别是将两个现有的公平性度量关联到成本敏感风险，显示了对于成本敏感分类和公平性度量的最优分类器是类概率函数的实例相关阈值，并展示了准确性和公平性之间的权衡是通过目标和敏感特征的类概率之间的一致性来确定的。支撑我们分析的是一个通用框架，将具有公平要求的学习问题建模为两种统计风险差异的最小化问题。

May, 2017

使用 Wasserstein Loss 进行学习

本文提出了一个基于 Wasserstein 距离的多标签学习损失函数，基于概率度量体提供了一种自然的概念。该算法可以有效鼓励模型在输出空间中使用所选度量的平滑性，并用 Yahoo Flickr Creative Commons 数据集上的标签预测问题验证了性能。

Jun, 2015

带随机噪声的私密瓦石坦距离

该研究通过研究 Wasserstein 空间中的三角属性，提出了一种名为 TriangleWad 的简单解决方案，可以在不同实体之间计算存储的数据集之间的 Wasserstein 距离。该方法使原始数据信息变得真正不可见，提高了对攻击的抵抗能力，而不损失估计准确性，并在涉及图像和文本数据的各种任务中进行了全面实验，证明了其卓越性能和泛化能力。

Apr, 2024

更强更快的 Wasserstein 对抗攻击

该研究论文针对深度模型易受到小型攻击的问题，提出了在 Wasserstein 距离约束下的投影梯度攻击算法和有效的优化算法。该算法不仅收敛更快，而且生成更强的攻击模型，从而提高了模型的鲁棒性。

Aug, 2020

公平 WASP：快速和最优公平 Wasserstein 预处理

我们提出了一种名为 FairWASP 的新预处理方法，通过返回样本级权重来减少分类数据集中的差异，实现了优化算法的竞争性性能，它能在维持准确性的同时降低差异。

Oct, 2023

通过投影 Sinkhorn 迭代的 Wasserstein 对抗样本

在图像分类中，基于 Wasserstein 距离的威胁模型可以成功攻击传统 CIFAR10 模型，并证明 PGD-based 的对抗训练可以提高对抗精度，进一步开辟了对抗鲁棒性研究的新方向。

Feb, 2019