本文介绍了 AMSAL 算法和它在多个数据集上的测试，其中包括一个 Twitter 数据集和带有各种类型的保护属性的 BiasBench 基准测试。该算法旨在在信息需要被删除，但不是直接与输入示例对齐的情况下，从神经表示中删除信息。

Feb, 2023

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

我们提出了一种名为迭代零空间投影 (INLP) 的新方法，它基于线性分类器的训练，通过在空间中进行映射，以消除神经表示中的特定属性，并减少了词嵌入中的偏见，提高了多类分类的公平性。

Apr, 2020

通过数学和实证研究，揭示了属性偏见消除方法在存在强偏见时的一个重要限制，并验证了这一理论界限在实践中的影响。发现现有的属性偏见消除方法仅在数据集中固有偏见相对较弱时有效，因此警告不要在较小的数据集中使用这些方法，同时主张需要克服这一局限性的方法。

Oct, 2023

该研究旨在提升公平和有保证的人工智能发展中，确保神经网络不依赖受保护属性（例如种族、性别、年龄）进行预测。通过分析现有属性偏差去除方法的局限性，研究发现其在面对强偏差时存在局限，并提出了一种能够缓解这种局限的新方法，该方法在输入空间中使用对抗目标，直接过滤掉受保护属性同时最大程度地保留其他属性，无需特定目标标签，并在强偏差和中等偏差设置下实现了最先进的性能。通过对合成、图像和人口普查数据集的广泛实验证明了理论界限的有效性，并评估了所提方法在消除强属性偏差方面的有效性。

Nov, 2023

本文提出了一种使用矩阵子空间投影的方法来分离标记属性信息和其他特征信息，从而实现在保留其他信息的情况下更改选定的属性，并演示了该方法在各种不同领域的自动编码器中的实用性及其生成质量的高竞争力。

Jul, 2019

本文提出了一种 Attribute Information Removal and Reconstruction（AIRR）网络，通过学习如何完全去除属性信息创建不包含属性信息的特征，然后学习在重建图像中直接注入所需属性，以避免信息隐藏问题，并在四个数据集上评估。结果表明，与先前的工作相比，我们的模型平均提高了 10％的属性操作准确性和 top-k 检索率，用户研究也表明 AIRR 操作的图像在高达 76％的情况下优于先前的工作。

Jul, 2022

该研究论文介绍了基于张量分解方法的高阶时刻谱方法及其计算技术，也提出了一个名为 Tensorly 的 Python 数组操作工具， 具有良好的灵活性和兼容性，能够与多种深度学习框架结合使用来学习广泛的潜在变量模型。

Apr, 2020

本文提出了一种基于非平稳谱核并能从数据中灵活学习谱度量的强大高效谱核学习框架，还导出了一个基于 Rademacher 复杂度的数据相关推广误差界，并提出两个正则化项以提高性能。实验结果表明该算法的有效性并验证了作者的理论结果。

Sep, 2019

本研究介绍了一种用于学习具有隐状态的线性动态系统的多项式时间算法，该算法无需对系统的转移矩阵的谱半径作出假设并且采用新颖的凸松弛技术扩展了之前仅适用于具有对称转移矩阵的谱过滤技术，以实现相位的高效识别。

Feb, 2018