AAAIFeb, 2023

SimFair: 公平感知多标签分类的统一框架

PDF
TL;DR本研究探索了在多标签分类任务中公平意识的构建，并提出了一种新的框架，名为相似性诱导公平。该框架利用具有相似标签的数据来实现更好的稳定性，在多标签数据上表现出比现有方法更好的性能。
发现论文，激发创造
  • 多类别分类中的公平性保证

    本文提出了一种用于多类分类的算法公平性方法，同时给出了最佳公平分类器的相关表达式，该方法基于数据驱动的程序并且有理论保证。该方法在合成和真实数据集上都很有效，在决策制定中具有预设不公平性水平的公平性保证（无需考虑分布），并竞争（即使更好）地完成二元和多类任务。

    Sep, 2021

  • SimFair: 基于模拟模型的物理引导公平感知学习

    使用物理引导的公平感知学习框架 SimFair，整合基于物理规律的模拟和逆向建模来解决仅有有限数据样本新区域的困境，进一步提高了公平性保护的效果。

    Jan, 2024

  • FIFA: 在训练不平衡数据分类器中使公平更具有普适性

    介绍了一种理论上遵循平衡公正（FIFA) 的灵活方法，以同时支持分类和公正的泛化，结合多种现有公正学习方法，为一些不平衡的数据集提供了更好的公正泛化。

    Jun, 2022

  • 限制计算意识的公平性

    在 Dwork 等人的框架中，我们研究了公平分类问题，提出了一种新的公平概念 (metric multifairness)。该概念是基于相似度度量和样本的比较集合，并且可以用有限次查询任意度量的方式来实现。

    Mar, 2018

  • 超人公平性

    将公平性问题重新解释为一种基于超级公平性目标的模仿学习任务，以同时提高决策的准确性和公平性。

    Jan, 2023

  • 具有统计保证的参数公平性

    通过将与预测相关的分布属性纳入考虑，我们扩展了人口平等的概念，允许专家知识在公平解决方案中得到应用，并通过一个工资的实际案例说明了此新度量的使用，同时开发了解决实际挑战的参数方法，提供了一个适用于现实生活中应用场景的强大解决方案。

    Oct, 2023

  • 自然语言处理中的人类辅助公正分类

    本研究提出了使用无监督风格转移和 GPT-3 的零 - shot 技术发现具有表达性和直观性的个体公平规范的新方法，以解决文本分类器中公平性问题。我们使用众包研究验证了所生成的具有人类直觉的公平排除敏感属性的语句对，并展示了有限数量的人类反馈如何帮助训练一种相似度规范来训练下游的公平感知模型。

    Dec, 2022

  • 平均个体公平性：算法、泛化及实验

    本研究提出一种基于个体和统计概念的新公平性定义族，设计了一种可以访问任何标准公平性无关的学习启发式算法的神谕有效算法，用于公平经验风险最小化任务，并且通过实验证明了其效果。

    May, 2019

  • Equal Improvability: 一个考虑长期影响的新公平性概念

    提出一种新的公正性指标 EI (即平等的可改进性)，并且提出了三种算法来解决 EI 规则化优化问题。实验结果表明，使用 EI 指标可以实现长期公正性。

    Oct, 2022

  • 关于在公平分类和表示中的随机化的力量

    在监督和无监督公平机器学习中，公平分类和公平表示学习是两个重要问题。本文研究了在这两个问题中，随机化方法可以最小化由于公平约束引起的准确性损失，并提出了公平分类和公平表示的随机化解决方案，可以获得最优准确性且不引起准确性损失。

    Jun, 2024