CAD-VAE：利用相关性感知潜变量实现全面公平解耦
机器学习
2025-11-18 v2 计算机视觉与模式识别
统计方法学
摘要
尽管深度生成模型显著推进了表示学习，但它们可能通过将敏感属性与预测特征一同编码，从而继承或放大偏差与公平性问题。当目标因素与敏感因素天然相关时，在解耦中强制执行严格的独立性通常是不切实际的。为了应对这一挑战，我们提出了 \textbf{CAD-VAE}（\textbf{C}orrelation-\textbf{A}ware \textbf{D}isentangled \textbf{VAE}，相关性感知解耦 VAE），它引入了一个相关潜码来捕获目标属性与敏感属性之间共享的信息。给定该相关潜变量，我们的方法通过直接最小化目标码与敏感码之间的条件互信息，在无需额外领域知识的情况下有效分离了重叠因素。一种相关性驱动的优化策略通过高效捕获关键相关特征并消除冗余，对相关码进行了优化。在基准数据集上的大量实验表明，CAD-VAE 生成了更公平的表示、逼真的反事实样本以及改进的公平性感知图像编辑。源代码可在以下地址获取：https://github.com/merry7cherry/CAD-VAE
引用
@article{arxiv.2503.07938,
title = {CAD-VAE: Leveraging Correlation-Aware Latents for Comprehensive Fair Disentanglement},
author = {Chenrui Ma and Xi Xiao and Tianyang Wang and Xiao Wang and Yanning Shen},
journal= {arXiv preprint arXiv:2503.07938},
year = {2025}
}
备注
Accepted by AAAI 2026