CVPRApr, 2024

强制条件独立性：公平表示学习和因果图像生成

PDF
TL;DR我们介绍了一种新的训练范式，通过使用动态采样策略，扩展了将条件独立性约束推广到高维特征空间的方法，从而能够在保持等概率性约束的条件下实现任何受保护属性与扩散自动编码器潜在表示的条件独立性，从而实现具有可控潜在空间的因果图像生成，而保持下游任务的高准确性。
conditional independencefairness in machine learningunconfounded representationsjensen-shannon divergenceequalized odds
发现论文，激发创造
  • 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

  • 自动编码变分贝叶斯的信息限制

    本文提出了一种通过使用自动编码变分贝叶斯 (Auto-Encoding Variational Bayes) 和基于核的独立度量来强制表示之间独立性的方法，该方法可以应用于各种问题，包括学习不变表示和可解释表示的学习，同时在单细胞 RNA 测序 (scRNA-seq) 方面超过了现有技术。

    May, 2018

  • 潜在约束：从无条件生成模型学习有条件生成

    本文提出了一种方法，通过后续学习潜在约束来在不重新训练模型的情况下进行条件生成，并结合逼真的条件生成可生成逼真的有条件图像。同时，该方法使用了基于梯度的优化来演示保持恒等的变换，以最小调整潜在空间以修改图像属性的方法。最后，结合离散的音符序列进行零样本条件生成，无需标记数据或可微分奖励函数。

    Nov, 2017

  • 学习正交解缠表示以实现公平性

    本文提出了一种新颖的分离方法来解决不变表示的问题，通过正交约束作为独立的代理来将有意义和敏感表示分离，并通过熵最大化来明确地强制有意义的表示对敏感信息不可知。该方法在公开的数据集上进行了评估，并将其与最先进的方法进行了比较，证明其在处理公平性和不变性方面具有最先进的性能。

    Mar, 2020

  • 通过对比信息估计实现合理结果的可控保证

    限制特征与受保护属性之间的互信息可控制任何下游分类器的公平性。本文基于对比信息估计方法演示了一种实现公平性控制的有效方法，比依赖于基于复杂生成模型的变分界限方法表现更好。在 UCI 成人和遗产健康数据集上测试时，我们的方法提供了更多信息性的表示，并提供了关于任何下游算法平等性的强有力的理论保证。

    Jan, 2021

  • 通过分布式对比解缠学习公平表示

    通过对比学习中的分布对比损失构建敏感性和非敏感性的潜在空间，学习公平表示来达到去偏的目的。

    Jun, 2022

  • 稳定且因果推理用于区分自监督深度视觉表示

    从因果关系的角度分析了有问题的自我监督方法，并提出了解决方案，通过在推理过程中应用线性变换来提高时间效率。

    Aug, 2023

  • 解开独立变化因素的挑战

    本文研究了如何使用自编码器模型来解决因素糾纏問題，並通過在圖像對和三元組之間施加約束來訓練它。在實驗中，我們證明了此模型可以成功地在多個數據集上轉移屬性，但也存在參照模糊的情況。

    Nov, 2017

  • 差分隐私条件独立性检验

    本研究探讨在差分隐私的约束下的条件独立性检验，设计了两种基于广义协方差度量的私有 CI 检验以及基于 Candës 等人的条件随机化检验（在模型 - X 假设下），这是第一种适用于 $ Z $ 为连续型变量的私有 CI 检验。

    Jun, 2023

  • 组条件缺失人口的公平风险

    通过概率插值敏感特征并联合学习组条件缺失概率的变分自编码器，我们提出了公平感知分类模型，以解决隐私、法律问题和个体恐惧所导致的敏感特征全知要求的实际不可行性问题，我们的模型在图像和表格数据集上表现出较好的准确性和公平性平衡。

    Feb, 2024