CVPRMar, 2022

面部属性分类的公平对比学习

PDF
TL;DR本文提出了一种公平的监督对比损失方法（Fair Supervised Contrastive Loss），旨在保证图像的视觉表达不带有敏感属性信息，同时通过组内归一化减少分组之间的差异，实现了在公平性和准确性上的平衡，并在 CelebA 和 UTK Face 的数据集上验证了该方法的有效性。
visual representationsupervised contrastive learningfairnesssensitive attribute informationgroup-wise normalization
发现论文，激发创造
  • 有条件的监督对比学习：公平的文本分类

    提出使用有条件的监督对比目标学习在文本分类中学习公平代表的方法，以平衡在现有基准线中任务表现和偏差缓解之间的权衡，并在两个文本数据集上进行实验，展示了该方法的有效性。

    May, 2022

  • 无偏监督对比学习

    本文提出了一种基于边界的理论框架，并推导出了一种新的有监督对比损失（epsilon-SupInfoNCE）和一种有效的去偏差正则化损失（FairKL），这些方法可以用于从偏差数据中学习无偏模型，并在多个偏差数据集上实现了最先进的性能。

    Nov, 2022

  • 公平表征的对比学习

    本论文提出了一种采用对比学习的分类器去偏置化的方法，使得模型在保持主要任务性能的前提下，更加公平地代表输入的各种属性，并取得了在 NLP 和计算机视觉四个任务中的优异表现。

    Sep, 2021

  • 监督对比学习

    本文介绍了一种基于对比学习的自我监督表征学习方法，并将其推广到全监督设置中。其中，相同类别的样本点在嵌入空间中被拉在一起，而来自不同类别的样本则被同时推开，以实现更好的分类性能。实现简单，最佳损失函数表现优于交叉熵。

    Apr, 2020

  • 对抗平衡自监督对比学习的可证明优化

    研究自监督学习中公平编码器的学习，在这种情况下，所有数据都没有标签，并且只有其中一小部分数据带有敏感属性的注释。通过最小化无标签数据上的对比损失和最大化在具有敏感属性的数据上预测敏感属性的对抗损失，对抗公平表示学习非常适合这种情况。通过构建先进的优化技术，并在合理条件下提出了一种称为 SoFCLR 的随机算法，并对其收敛性进行了分析，而无需大数据批处理大小。通过广泛的实验证明了所提方法在下游分类中八个公平概念的有效性。

    Jun, 2024

  • 完美平衡：改善监督对比学习的迁移性和鲁棒性

    通过向 SupCon 添加适当加权的类条件 InfoNCE 损失和类条件自编码器，可以在 5 个标准数据集上实现从粗糙到细致的迁移，以及在 3 个数据集上实现最差组的鲁棒性提高 4.7 个点，同时在 CelebA 上达到 11.5 个点的最优表现。

    Apr, 2022

  • DualFair: 基于对比自监督的群体和个体公平表示学习

    本文提出了一种名为 DualFair 的自我监督模型，可从学到的表示中去除诸如性别和种族等敏感属性的偏差，同时优化两个公平标准，团体公平性和反事实公平性，为团体和个体提供更公平的预测，针对多个数据集进行了详细的分析，表明了该模型的有效性和进一步展示了同时解决两种公平标准的协同效应，同时建议该模型在公平的智能 Web 应用中具有潜在价值。

    Mar, 2023

  • 基于对比注意力的公平学习：开放世界下的连续语义场景理解

    通过对比注意力的公平性学习方法，解决持续学习中语义场景理解的灾难性遗忘、公平性、背景转移和未知类的问题，并在 ADE20K、Cityscapes 和 Pascal VOC 等标准基准上取得了最先进的性能。

    Nov, 2023

  • 基于聚类的对比学习，以提高人脸表征

    本文提出了一种名为 CCL 的基于聚类的对比学习方法，利用聚类得到的标签和视频约束来学习具有区分性的人脸特征，展示了该方法在视频人脸聚类的表征学习任务上的显著成果。

    Apr, 2020

  • 弱监督对比学习

    提出了一种基于弱监督对比学习的框架 (WCL)，该框架使用两个投影头进行正则的实例区分任务，一头使用基于图形的方法找到相似的样本并生成弱标签，另一头使用这些弱标签进行有监督的对比学习任务，以拉近相似图像之间的距离。WCL 旨在解决现有对比学习框架中的类冲突问题，并在不同的数据集上提高了自监督表示品质，尤其是在半监督学习中达到了新的最优结果。

    Oct, 2021