平衡公平性、隐私与准确性：面向集中式数据驱动系统的多任务对抗框架

在集中式数据驱动应用中，公平性与隐私的整合至关重要，尤其当这些系统日益影响具有重大社会影响的领域时。当前方法很少同时处理隐私、公平性和准确性，这可能会损害伦理标准和隐私法规。然而，平衡这三个目标极具挑战性，因为每个目标通常对模型的设计和训练施加相互冲突的要求，使得优化其中一个目标而不损害其他目标变得困难。本文介绍了一种新颖的多任务对抗模型，该模型将公平性和隐私视为核心目标而非事后补救，并学习一个隐藏敏感属性同时保留关键任务相关信息的潜在表示。我们的方法通过优化的成本函数动态平衡公平性、准确性和隐私，即使在严格条件下也能将性能损失降至最低。在多样化数据集上的广泛测试表明，我们的模型能够在不对准确性造成显著牺牲的情况下达到高标准的公平性和隐私。与最先进的隐私和公平性标准进行基准测试表明，我们的方法增强了隐私、公平性和准确性优化的鲁棒性，证明了其跨各种数据集的适应性。