通过子群间 Mixup 数据增强改善公平性
机器学习
2023-09-14 v1 机器学习
摘要
在本工作中，我们提出通过跨子群的成对 mixup 进行数据增强以改善群体公平性。机器学习系统的许多实际应用由于代表性不足或反映社会偏见的训练数据，在某些群体间表现出偏见。受 mixup 在提升分类性能方面成功的启发，我们开发了一种成对 mixup 方案来扩充训练数据，并鼓励对所有子群形成公平且准确的决策边界。面向群体公平的数据增强使我们能够添加欠代表群体的新样本以平衡子群体。此外，我们的方法利用 mixup 的泛化能力同时改善公平性与准确性。我们在合成仿真与真实世界基准公平分类数据上将所提出的 mixup 与现有数据增强及偏见缓解方法进行比较，证明我们能够在保持稳健（甚至提升）准确性的同时实现公平结果。
引用
@article{arxiv.2309.07110,
title = {Data Augmentation via Subgroup Mixup for Improving Fairness},
author = {Madeline Navarro and Camille Little and Genevera I. Allen and Santiago Segarra},
journal= {arXiv preprint arXiv:2309.07110},
year = {2023}
}
备注
5 pages, 2 figures, 1 table