因果制约的解耦表示学习在反事实公平中的应用
本文提出了一种名为 Disentangled Causal Effect Variational Autoencoder(DCEVAE)的方法,该方法利用因果推断和去除嵌入式敏感信息的方法对公平分类问题进行了改进,在生成对照组示例的同时成功区分了与干预相关但无因果关系的变量和由干预引起的信息。此外,DCEVAE 还提供了公平性正则化,减少信息损失生成自然对照图像。
Nov, 2020
通过对属性的逻辑因果关系保护,使用黑箱模型作为分类器并利用变分自动编码器生成可行的对抗性示例,本研究在不同基准数据集上实验,成功生成可行且稀疏的对抗性示例,满足所有预定义的因果约束。
Apr, 2024
本文提出了一种结合因果结构信息的新型流模型 —— 因果流,设计了 CF-VAE 模型,通过利用因果流增强 VAE 编码器的解缠结能力。进一步引入地面真实因素的监督,证明了该模型的解纠缠可识别性。在合成和真实数据集上的实验结果表明,CF-VAE 可以实现因果解纠缠,并进行干预实验。此外,CF-VAE 在下游任务上表现出优异的性能,并有潜力学习因果因素之间的结构。
Apr, 2023
本文提出了一种基于因果结构的 VAE 算法 CausalVAE,使用因果层将独立外生因素转化为内生因果因素,实现了因果因素的自动发掘和可解释性,实验结果表明 CausalVAE 提出的因果表示能够在多个数据集上实现对真实因果结构的恢复,同时可以生成对因果结构产生干预的对事实数据。
Apr, 2020
本研究提出了一种基于不同层级的数据表征的公平表征学习方法,通过堆叠不同的自编码器在不同的潜在空间强制执行公平性,更好地满足公平度量标准并提高数据表征的公平性。
Jul, 2021
通过使用结构性因果模型,生成可行的对抗样本对于解释人工智能模型在医疗和金融等关键领域的决策是至关重要的。本论文提出了一种生成适用于实际应用中的可行对抗样本的方法,并且通过实验证明了其效果。
Dec, 2019
本文提出了一种新方法来解决选择偏差的问题 —— 通过学习两组潜在的随机变量,一组对应导致选择偏差的变量,另一组对于预测结果非常重要,进而通过 Pearson 相关系数去降低它们的关联度,从而得以显式地减轻选择偏差。实验结果表明,该算法能够取得最先进的性能,并提高其没有显式建模选择偏差的对应算法的结果。
Dec, 2019