Feb, 2023

如何利用最优输运解决多类神经网络分类器中性别偏见对职业推荐的影响？

PDF
TL;DR本文提出了一种新的最优传输策略，用于减轻多类神经网络分类中不良算法偏差的影响，结果表明，该策略可比标准策略将不期望的算法偏差降至更低的水平。
automatic recommendation systemsdeep neural networksalgorithmic biasesmulti-class classificationoptimal transport strategy
发现论文，激发创造
  • 利用最优传输解决图像分类中的公平性和可解释性问题

    算法公平性和不公平结果的可解释性对于在医疗保健和执法等领域建立人工智能系统的信任和问责是至关重要的。我们提出了一种基于最优运输理论的全面方法，通过发现图像中有偏差区域的原因和影响来建立模型的解释性。这些发现对于开发值得信赖、公正的 AI 系统，在各个领域的决策中提供透明、问责和公平具有重要意义。

    Aug, 2023

  • 神经最优传输

    该研究介绍了一种基于神经网络的算法，用于计算强和弱输运成本的最优输运图和计划，并证明了神经网络是概率分布之间传输计划的通用逼近器。通过在玩具示例和非成对图像翻译上评估我们的最优输运算法的性能。

    Jan, 2022

  • 个性化上下文感知的多模态交通推荐

    本研究利用多种模型，探索基于用户偏好和行程特征（如成本、时间、出行目的和距离）的最佳交通方式，在实际生活中得到的数据支持下，研究发现使用梯度加速树模型结合少数类过采样技术（SMOTE）的表现最为突出，而在对数模型中可以看出：（1）交通成本增加会降低各种交通方式的效用；（2）对于地铁或多模式选项（包含地铁）人们对于出行距离有较高的容忍度，说明地铁线路可能是大城市最佳候选方案。

    Oct, 2019

  • 结构化最优输运

    本文提出一个非线性广义离散最优传输模型，可应用于领域自适应和自然语言处理中，同时探索其快速算法和相关属性。Illustrative experiments 展示了模型引导的结构耦合的好处。

    Dec, 2017

  • 邻域感知最优传输学习在低资源仇恨言论检测中的应用

    提出了一种新的训练策略，利用基于邻域的框架和 Optimal Transport，以改善对低资源仇恨言论语料库的系统性能，实现相对距离建模的灵活性。

    Oct, 2022

  • 使用学生强制最优传输改善文本生成

    利用最大似然估计进行神经语言模型训练时，存在曝光偏差问题。提出使用最优传输匹配训练和测试时的序列，以及基于文本序列的结构和上下文信息进一步改进最优传输学习，有效改善了机器翻译、文本摘要和文本生成任务的表现。

    Oct, 2020

  • 公平性对于最优传输的边缘预测

    本文主要研究了图中预测任务的算法公正问题，提出了一种嵌入不可知的修复过程以实现组内和个体的公正权衡，并在实验中验证了该方法对不同公正概念和预测准确性的显式控制能力。

    Oct, 2020

  • 运用最优输运理论获得公平性

    本文首先介绍了统计算法在决策中的应用，提出了公平性的概念，进而研究了不同的公平性定义。特别地，文中重点研究了不平等影响和平衡误差率这两个概念，并探讨了它们之间的关系。其目的在于检测二分类规则是否缺乏公平性，同时修改输入数据以应对潜在的歧视问题。针对后者，本文利用最优传输理论对数据进行修改。

    Jun, 2018

  • 元学习用于最优输运的无监督异常检测

    本文提出了一种利用元学习自动化检测离群点的新方法，该方法利用最优输运从以前的离群点数据集中提取最佳离群点检测技术，并且我们发现该方法在非监督离群点检测中表现优异，该方法也可以轻松推广到其他非监督设置。

    Nov, 2022

  • 机器学习中的最优传输近期进展

    本研究综述了 Optimal Transport 在机器学习中的应用，特别关注于监督、无监督、迁移和强化学习领域，并重点介绍了计算 Optimal Transport 的最新发展及其与机器学习实践的相互作用。

    Jun, 2023