通过弱监督实现公平生成建模

Oct, 2019

Fair Generative Modeling via Weak Supervision

Kristy Choi, Aditya Grover, Trisha Singh, Rui Shu, Stefano Ermon

TL;DR本文提出了一种弱监督算法来克服深度生成模型中的数据集偏差，该方法通过额外的小型未标记参考数据集作为监督信号来探测现有数据集中的偏差，并学习生成模型。实验结果表明，该方法降低了基于潜在因素的偏差达到了高达 34.6％，在同时使用基于生成对抗网络的图像生成的情况下，数据效率显著提高。

Abstract

Real-world datasets are often biased with respect to key demographic factors such as race and gender. Due to the latent nature of the underlying factors, detecting and mitigating bias is especially challenging for unsupervised machine learning. We present a weakly supervised algorithm for overcoming →

bias detection unsupervised machine learning generative models dataset bias density ratio technique

发现论文，激发创造

生成模型助力弱监督 (反之亦然)

本研究提出了一种融合程序性弱监督和生成对抗网络的模型，通过对数据的离散潜变量和弱监督派生数据的标签估计进行对齐，从而更好地建模样本相关的弱监督结果的准确性，并通过合成样本实现了数据增强。实验结果表明，所提出的模型在多分类图像分类数据集上表现优异，同时提升了生成图像的质量和最终模型性能。

Mar, 2022

基于迁移学习的公平生成模型

该研究提出了一种基于转移学习的公平生成模型方法，利用大规模含偏见、小规模不含偏见的数据集作为训练数据，在不同的模型中进行知识迁移，实现生成样本的高质量和公正性。

Dec, 2022

利用弱监督学习方法消除机器学习模型中的偏见

我们提出了针对连续敏感变量的偏见缓解策略，该策略基于经济计量学领域的内生性概念，并采用弱监督学习方法，对一小部分可进行公平测量的数据进行处理。结果表明我们的方法对实际应用的效果非常接近。

Feb, 2024

生成模型改善在分布偏移下医疗分类器的公平性