Jun, 2020

Wasserstein 双凸权重平均的公平回归

PDF
TL;DR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。
demographic parityfair regressionoptimal transport theorywasserstein barycenterpost-processing algorithm
发现论文，激发创造
  • 通过 Wasserstein Barycenters 实现多任务学习的公平性

    本文提出一种用于多任务学习的算法公平性方法，该方法通过使用多项 Wasserstein barycenter 扩展 “Strong Demographic Parity” 的定义，为具有回归和二分类任务的多任务学习器提供了封闭形式解决方案，并应用于合成和现实数据集上以展示其在促进公平决策方面的实际价值。

    Jun, 2023

  • 通过后处理预测器实现公平且最优分类

    该论文研究了机器学习中的公平性问题，提出了在保持公平的前提下如何提高预测模型性能的方法，并且证明了最小误差率可以通过 Wasserstein 平均问题的最优值来计算，从而提出了一种简单的后处理方法来保证模型的公平性。

    Nov, 2022

  • 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

  • 公平回归的差分私有后处理

    该研究提出了一种差分隐私的后处理算法，用于学习满足统计平等的公平回归器，解决了机器学习模型在敏感数据上训练时的隐私问题和其传播历史偏见的公平问题，并提供了算法的样本复杂性和公平性保证，揭示了在直方图中选择的箱数的选择对于统计偏倚和方差之间的权衡，其中使用较少的箱数总是以错误为代价倾向于公平性。

    May, 2024

  • 随机瓦热斯坦重心

    本文通过随机算法来计算具有 Wasserstein 距离下的一组概率分布的重心，该方法不同于以往的方法，可以适用于连续输入分布，并允许在每个迭代中调整重心的支持，该算法能够恢复出一个锐利的输出，其支持集合包含在真实重心的支持集合内，并能在一些例子中恢复出比以前更有意义的重心。该方法具有广泛的适用性，可扩展到生成给定分布的超级样本和恢复蓝噪声近似等应用。

    Feb, 2018

  • 用神经最优传输估计分布的重心

    使用建立在最优输运（Optimal Transport）的对偶形式基础上的新的可扩展方法，提出了求解 Wasserstein barycenter 问题的策略，具有双层对抗学习目标且适用于广义成本函数，同时在理论上建立了误差界限，并在图像数据集构建和举例场景中展示了其适用性和有效性。

    Feb, 2024

  • 连续正则化 Wasserstein 重心

    通过引入随机算法，该研究提出了一种计算连续分布的 Wasserstein 重心的有效在线算法，该算法基于优化输运理论和 Wasserstein 重心，并使用其对偶势隐式地参数化了该问题。

    Aug, 2020

  • 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

  • Wasserstein Barycenters 的快速计算

    本文提出两种算法来计算一组经验概率测度的 Wasserstein barycenters，其中包括使用 entropic 正则化来平滑 Wasserstein distance 的方法，并使用矩阵缩放算法计算其梯度，这些算法可用于可视化大量图像并解决约束聚类问题。

    Oct, 2013

  • 并行流水化瓦瑟斯坦贝叶斯中心

    本文介绍了一种半离散的无障碍通信、并行算法用于计算连续输入分布的 Wasserstein barycenter，该算法能够跟踪输入的分布情况，适用于 Bayesian 推理和连续数据流处理任务。

    May, 2017