Sep, 2023

跨领域顺序自编码器追求反事实公平性

PDF
TL;DR通过引入名为 CDSAE 的创新框架，我们提出了一种有效地解决领域漂移和公平问题的方法，该方法通过同时分离环境信息、敏感属性和分类特征的嵌入表示来提高模型的泛化能力，验证结果表明，在持续领域的不断变化中，我们的方法能实现提高准确性并确保公平性的目标。
domain shiftdomain generalizationfairnesssequential autoencodercontinuous domains
发现论文，激发创造
  • 利用隐空间感知的序列自编码器泛化到不断演变的领域

    本文提出了一种基于概率框架的隐变量结构自然语言生成器，通过探索深度神经网络中的潜在连续结构来解决不断演化的域泛化问题，特别是在处理非平稳和连续漂移的任务中，可以通过识别协变量漂移和概念漂移，为域泛化问题带来优越的性能。

    May, 2022

  • 基于解缠的因果效应变分自编码器的反事实公平性

    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

  • Dis-AE: 多域多任务泛化的真实世界临床数据

    该论文提出了一种新颖的去纠缠自编码器 (Dis-AE) 神经网络结构，可以学习领域不变的数据表示，实现多标记医学测量分类的领域泛化，并评估其在多个领域上的泛化能力。

    Jun, 2023

  • 通过噪声增强监督自编码器提高跨领域少样本学习的泛化能力

    提出了一种新型的噪声增强的自监督自编码器（NSAE）来提高跨域 few-shot 学习（CDFSL）模型的泛化能力，通过两步微调过程实现更好的适应性和提高目标域的分类性能。实验结果表明，该方法在各种条件下始终优于现有领先方法。

    Aug, 2021

  • 跨领域机器学习公平性转移

    本文通过领域自适应问题提出了新的理论和建模方法，为在新数据少的目标领域中改善公平性提供了解决方案，实证结果证明该方法能够较少数据的情况下改善公平指标

    Jun, 2019

  • 跨域公平分类的联合对抗学习

    本文探讨了在缺少敏感属性的情况下，利用类似领域中的辅助信息来提高目标领域中的公正分类的可行性， 并提出了一种既能学习到目标领域中的公正分类器，又能估计敏感属性的新框架，实验结果表明其有效性。

    Jun, 2022

  • 因果制约的解耦表示学习在反事实公平中的应用

    本文研究了公平表示学习的问题，通过使用结构表示，可以实现反事实公平性，提出了 Counterfactual Fairness Variational AutoEncoder（CF-VAE）方法，得到了优于基准公平方法的公平性和精度表现。

    Aug, 2022

  • 公平性遇见跨域学习：模型和度量的新视角

    本文提出了一个关于面部和医学图像的基准测试，并介绍了一个新的谐波公平（HF) 得分来综合地评估每个模型在准确性和公正性方面与参考基线相比的情况。实验结果发现，CD 方法比最先进的公平算法更能有效地解决模型公理问题。综上所述，我们的工作为计算机视觉中的公平性问题提供了更系统的分析方法。

    Mar, 2023

  • FREDOM：公平领域自适应语义场景理解方法

    本研究提出了一种新的 Fairness Domain Adaptation（FREDOM）方法，通过对类分布的公平对待和条件结构约束实现了新的适应性框架，进而提高了语义场景分割模型的性能并促进了模型预测的公平性。

    Apr, 2023

  • 学习单域通用性

    本篇文章介绍了一种名为对抗域增强的方法，用于在单一训练域情况下提高模型的泛化性能，通过使用元学习方案和 WAE 来松弛最坏情况限制，并在多个基准数据集上广泛实验，验证了该方法对于缓解单一域泛化问题的优越表现。

    Mar, 2020