通过带纠正采样的公平性干预打破条件生成的伪因果性
计算机视觉与模式识别
2023-07-06 v2 人工智能
机器学习
摘要
为了捕捉样本与标签之间的关系，条件生成模型常常从训练数据集中继承伪相关。这可能导致标签条件分布相对于另一潜在属性是不平衡的。为了缓解这一我们称之为条件生成的伪因果性的问题，我们提出了一种通用的两步策略。（a）公平性干预（FI）：强调由于训练数据集中的伪相关而难以生成的少数样本。（b）纠正采样（CS）：显式过滤生成的样本，并确保它们遵循所需的潜在属性分布。我们设计的公平性干预可适用于伪属性上不同监督程度的情况，包括无监督、弱监督和半监督场景。我们的实验结果表明，FICS 能有效解决各种数据集上条件生成的伪因果性。
引用
@article{arxiv.2212.02090,
title = {Breaking the Spurious Causality of Conditional Generation via Fairness Intervention with Corrective Sampling},
author = {Junhyun Nam and Sangwoo Mo and Jaeho Lee and Jinwoo Shin},
journal= {arXiv preprint arXiv:2212.02090},
year = {2023}
}
备注
TMLR 2023