AAAIApr, 2023

公平连续定向扩充：用于群体公平的方法

PDF
TL;DR本文提出了一种名为 Fair-CDA 的方法，通过利用特征分离和组间过渡路径的正则化，从而实现细粒度数据增强与公平性约束并存，并引入一个校准模型以提高准确率。实验证明该方法在精度和公平性方面均具有很好的泛化能力，并在 Adult，CelebA 和 MovieLens 等数据集上优于最先进的方法。
fairnessdata augmentationgroup fairnesssensitive featurescalibrated model
发现论文，激发创造
  • 通过主动生成成对的反事实，提高分类器的健壮性

    本文提出一种利用对抗生成模型自动生成对抗样本并用成对分类器对其自动标注的框架，通过对仅 10% 人工标注的对抗样本数据进行生成，能有效提高情感分类和问题重述任务等自然语言分类器的 18-20% 稳健性和 14-21% 误差缩减。

    May, 2023

  • 深度神经网络的隐式反事实数据增强

    本文提供了一种名为 ICDA 的隐式反事实数据增强方法，通过生成具有不同扩展强度的深度特征来打破假象的关联，并从正则化方面解释了这种方法，结果表明我们的方法在许多需要越区域概括的典型学习场景上始终提高了流行深度网络的泛化性能。

    Apr, 2023

  • 利用视觉语言驱动的图像增强提高公平性

    本文提出了一种方法，通过学习语义空间中可解释和有意义的路径来减轻深度学习区分模型中的相关性，以提高公平性。通过编辑受保护特征（如年龄和肤色），将这些路径应用于增强图像，从而改善给定数据集的公平性。

    Nov, 2023

  • 在 NLP 模型中同时解决统计性别公平性和因果性别公平性

    本研究评估了性别偏见的 NLP 模型的统计和因果去偏方法，发现这些方法在目标度量上有效减少了偏见，但不一定改善了其他偏见度量的结果。同时，我们展示了统计和因果去偏技术的组合能够减少通过两种类型的度量来衡量的偏见。

    Mar, 2024

  • 公平人脸属性分类的分布生成增强

    基于生成模型，提出了一个新的两阶段框架来在有偏数据上训练公平的面部属性分类模型，通过编辑潜在的虚假属性并促进模型对这些属性的不变性，实现在面部属性分类中提升公平性而不损害准确性。

    Mar, 2024

  • 利用分层群组结构实现交叉公平的合成数据生成

    该论文介绍了一种特定的数据增强方法，旨在增强分类任务中的交叉公平性。这种方法利用交叉性内在的层级结构，将群体视为其父类别的交集，通过学习组合父类群体数据的转换函数，对较小群体进行数据增强。我们对四个不同数据集进行的实证分析（包括文本和图像）表明，使用这种数据增强方法训练的分类器在交叉公平性方面表现优秀，并且在与优化传统群体公平度量方法相比时更具鲁棒性。

    May, 2024

  • 基于奇偶校验的累积公平感知 Boosting

    该研究提出了 AdaFair 算法，它可以有效地处理数据驱动的人工智能系统中的歧视问题，在平衡不足的情况下实现了性别、种族等保护属性的公平，同时保持预测性能。

    Jan, 2022

  • CoDA: 自然语言理解的对比增强和多样性促进数据增强

    本文提出了一种名为 CoDA 的新型数据增强框架，通过整合多种转换方法，试图解决文本数据增强中的标签保留问题。实验表明，CoDA 架构在多种自然语言理解任务中平均提高了 2.2% 的效果，相较其他基线方法表现更强

    Oct, 2020

  • 通识推理的生成式数据增广

    该研究使用预先训练的语言模型和选择最有信息量和多样性的生成数据的方法，比基于后翻译的现有数据增强方法表现更好，并在低资源环境下获得了更准确和稳健的学习结果。

    Apr, 2020

  • 公平的混合：插值促进公平

    该研究提出了公平混合（fair mixup）的新型数据增强策略，通过对分组间插值样本的正则化训练来实现分类器的公平性约束，并分析实验证明其在表格、视觉和语言测试中确保了更好的准确性和公平度的泛化能力。

    Mar, 2021