Oct, 2023

公平 WASP：快速和最优公平 Wasserstein 预处理

PDF
TL;DR我们提出了一种名为 FairWASP 的新预处理方法，通过返回样本级权重来减少分类数据集中的差异，实现了优化算法的竞争性性能，它能在维持准确性的同时降低差异。
machine learningdisparitiesfairwasppre-processingclassification
发现论文，激发创造
  • 以 Wasserstein 距离为指导的对抗性权重调整用于偏见缓解

    通过对抗再加权方法来解决机器学习中的表征偏差，平衡数据分布以减少对少数群体的不公正对待，从而提高分类准确性和公平性。

    Nov, 2023

  • 通过后处理预测器实现公平且最优分类

    该论文研究了机器学习中的公平性问题，提出了在保持公平的前提下如何提高预测模型性能的方法，并且证明了最小误差率可以通过 Wasserstein 平均问题的最优值来计算，从而提出了一种简单的后处理方法来保证模型的公平性。

    Nov, 2022

  • 通过平衡影响训练公平的深度神经网络

    我们提出了一个名为 FAIRIF 的两阶段训练算法，它可以应用于一系列使用随机梯度下降训练的模型，并通过在小型验证集上计算样本权重来实现跨不同人口群体的模型性能平衡，从而缓解先前机器学习算法中存在的不公平问题。在合成数据集和实际数据集上的实验表明，FAIRIF 可以在牺牲很少的模型实用性的情况下实现更好的公平性 - 实用性权衡。

    Jan, 2022

  • 基于 Wasserstein 独立性的公平文本分类

    该论文提出了一种新的方法来减轻神经文本分类中的偏见，它能够在处理公正性问题时不需要敏感属性的注释，与现有的方法相比具有可比较或更好的公正性和准确性权衡。

    Nov, 2023

  • 公平瓦瑟斯坦核心集

    通过生成公平的合成代表样本及样本级权重来最小化原始数据集与加权合成样本之间的 Wasserstein 距离，并通过线性约束实施（实证版本的）人口平等，从而在下游学习任务中提供公平的聚类算法，其竞争性能优于现有的公平聚类方法，即使通过公平预处理技术来增强后者的公平性。

    Nov, 2023

  • 通过 Wasserstein Barycenters 实现多任务学习的公平性

    本文提出一种用于多任务学习的算法公平性方法，该方法通过使用多项 Wasserstein barycenter 扩展 “Strong Demographic Parity” 的定义，为具有回归和二分类任务的多任务学习器提供了封闭形式解决方案，并应用于合成和现实数据集上以展示其在促进公平决策方面的实际价值。

    Jun, 2023

  • Wasserstein 公平分类

    我们提出了一种公平分类的方法，通过最小化 Wasserstein-1 距离来强制执行分类器输出和敏感信息之间的独立性。我们引入了不同的方法，在测试时隐藏敏感信息，或具有简单快速的实现，并展示了在多个基准公平性数据集上与不同公平性基线的实证表现。

    Jul, 2019

  • 自适应优先权重新加权以提高公平性泛化

    通过提出一种新颖的自适应重新加权方法，该论文旨在消除训练和测试数据之间分布变化对模型普适能力的影响，进而改善算法的公平性和泛化性能。实验证明了该方法在准确性和公平性度量方面的普适性，并突出了对语言和视觉模型公平性改善的性能提升。

    Sep, 2023

  • 公平映射

    为了解决模型中存在的错误偏见，本研究提出了一种新的预处理方法 - 公平映射，通过转换敏感组的数据分布到一个特定的目标分布上，并且实现保护敏感属性不被推论的目标来改善数据的公平性。实验结果表明，该方法能够同时隐蔽敏感属性，不失数据的特性，同时提高了后续数据分析任务的公平性。

    Sep, 2022

  • 公平回归的差分私有后处理

    该研究提出了一种差分隐私的后处理算法，用于学习满足统计平等的公平回归器，解决了机器学习模型在敏感数据上训练时的隐私问题和其传播历史偏见的公平问题，并提供了算法的样本复杂性和公平性保证，揭示了在直方图中选择的箱数的选择对于统计偏倚和方差之间的权衡，其中使用较少的箱数总是以错误为代价倾向于公平性。

    May, 2024