面向变化环境的自适应公平感知在线元学习
机器学习
2022-05-27 v2 人工智能
摘要
公平感知在线学习框架已成为持续终身学习的强大工具。学习者的目标是顺序学习随时间依次到来的新任务，并确保新任务在不同受保护子群体（如种族和性别）上的统计 parity。现有方法的一个主要缺陷是重度依赖数据的 i.i.d 假设，从而为该框架提供静态 regret 分析。然而，低静态 regret 不能暗示在任务从异质分布采样的变化环境中的良好性能。为解决变化环境中的公平感知在线学习问题，本文首先通过在对强适应损失 regret 上添加长期公平性约束，构建了一种新的 regret 度量 FairSAR。此外，为在每轮确定良好的模型参数，我们提出了一种新型自适应公平感知在线元学习算法，即 FairSAOML，其能够在偏差控制和模型精度上适应变化环境。该问题被表述为关于模型原始和对偶参数（分别关联模型精度与公平性）的双层凸凹优化形式。理论分析给出了损失 regret 和累积公平性约束违反的子线性上界。我们在具有变化环境设置的不同真实世界数据集上的实验评估表明，所提出的 FairSAOML 基于最佳已有在线学习方法显著优于其他替代方法。
引用
@article{arxiv.2205.11264,
title = {Adaptive Fairness-Aware Online Meta-Learning for Changing Environments},
author = {Chen Zhao and Feng Mi and Xintao Wu and Kai Jiang and Latifur Khan and Feng Chen},
journal= {arXiv preprint arXiv:2205.11264},
year = {2022}
}
备注
Proceedings of the 28th ACM SIGKDD Conference on Knowledge Discovery and Data Mining (KDD), 2022. arXiv admin note: text overlap with arXiv:2108.09435