FairContrast：通过对比学习与定制化数据增强方法提升公平性

随着AI系统在日常生活中的嵌入式应用日益增长，开发公平且无偏见的模型变得更加关键。将AI系统的社会影响纳入考量不仅是技术挑战，更是道德必需。正如众多研究所证明的，学习公平且鲁棒的表示方法已被证明是有效去偏并在保持预测任务所需关键信息的同时提升公平性的强大方法。表示学习框架，特别是那些利用自监督和对比学习的框架，在 various domains 中表现出卓越的鲁棒性和可泛化性。尽管对表格数据的应用日益增长，但这些所学表示在公平性方面的问题仍未得到充分探索。本研究引入一种专为解决偏差并在表格数据集中学习公平表示的对比学习框架。通过战略性地选择正样本对并采用监督和自监督对比学习，我们显著降低了与现有表格数据对比学习模型相比的偏差。我们的结果表明，该方法在保持准确性的同时有效缓解了偏差，并在 various downstream tasks 中利用所学的公平表示。