通过投影阻碍分类

May, 2021

Obstructing Classification via Projection

Pantea Haghighatkhah, Wouter Meulemans, Bettina Speckman, Jérôme Urhausen, Kevin Verbeek

TL;DR研究了一种减少数据偏差的方法，使用几何问题对学习到的表示进行建模，在低维空间中通过简单的投影即可消除数据的线性可分性，同时保持其他性质的线性可分性；同时，文中还探讨了更复杂的分离性质和分类障碍与其 Helly 属性的关系。

Abstract

Machine learning and data mining techniques are effective tools to classify large amounts of data. But they tend to preserve any inherent bias in the data, for example, with regards to gender or race. Removing such bias from data or the learned representations is quite challenging. In this paper we study a →

bias removal geometric problem linear separability support vector machines helly-type properties

发现论文，激发创造

受盾形表示：通过迭代梯度投影保护敏感属性

本文通过引入一种新的方法 IGBP，提出了一种在自然语言处理模型中去除非线性编码概念的方案，实验结果表明，该方法可以有效缓解社会偏见，并对下游任务的准确性没有太大的影响。

May, 2023

通过投影消除偏差的主要公平性

在算法数据分析中，通过随机投影到 “公平” 子空间来减少数据中的偏差，我们将这种方法应用于最密子图问题，理论上和实验上都可以恢复一个几乎最优、公平、稠密的子图，并通过匹配逼近上界展示该问题的 NP - 难度特性。

May, 2019

基于投影的概念去除方法对数据集的影响

通过线性投影方法探究将一个概念从语言表达中移除后的数据集的行为，表明这些方法会在转换后的数据集中注入强大的统计依赖性，并导致转换空间高度结构化，可能通过反聚类方法重构原始标签。

Mar, 2024

公正的核学习

研究如何通过包含公平性在目标函数中来解决机器学习中涉及敏感特征的不公平性问题。提出了基于新的公平分类框架的新型公平回归和降维方法，并通过使用 Hilbert Schmidt 独立性准则作为公平项，实现了线性和非线性问题的评估。

Oct, 2017

利用结构提高分类偏置数据的准确性

通过假设在分组不可知的特征空间中分组投影的类条件不变性，我们提出了一种在半监督学习中利用数据内在分组结构来优化分类器的方法，从而可以提高 ROC 曲线下面积。

Dec, 2022

线性对抗概念抹除

提出了一种通过线性极小极大博弈模型来定位和清空文本中的线性子空间，以防止线性预测器恢复与偏见相关的概念，该方法可以减轻内在和外在因素造成的偏见。

Jan, 2022

计算公平支持向量机的频谱算法

本文阐述分类器和打分机制中存在一定的偏见，可采用协方差矩阵等方法设计公平的支持向量机模型，并通过数值实验验证其有效性。

Oct, 2017

低秩和缺失数据的分类

本文提出了一种非严格公式的有效算法，该算法在缺失数据的情况下能够将分类和回归任务的数据处理成低秩子空间，并能够有比最佳线性分类器和数据所在的最低维子空间更高的分类能力。

Jan, 2015

GO-LDA: 广义最优线性判别分析

本文提出了一种新的多类别线性判别分析 GO-LDA 方法，通过构造每个步骤中最大化 Fisher 准则的正交鉴别方向可以分离投影数据。该方法在多种模式识别和分类问题上都能提高准确性。

May, 2023

隐私保护预测

探讨在分类和回归等多种模型中，为实现个体预测隐私保护所需的成本，以及通过训练多个模型并使用标准的聚合技术来预测，以降低聚合步骤引入的开销，并建立所有不同隐私预测算法的强广义保证，从而研究机器学习中差分隐私的最优样本调整量。

Mar, 2018