DualFair：基于对比自监督在群体与个体层面实现公平表示学习
机器学习
2023-03-16 v1 人工智能
计算机与社会
摘要
算法公平性已成为一个重要的机器学习问题，特别是对于关键任务的Web应用。本工作提出一种称为DualFair的自监督模型，该模型能够从学习到的表示中去除性别、种族等敏感属性带来的偏差。与针对单一公平性类型的现有模型不同，我们的模型联合优化两个公平性准则——群体公平性与反事实公平性——从而在群体和个体层面都做出更公平的预测。我们的模型使用对比损失来生成对每个受保护群体都不可区分的嵌入，同时迫使反事实对的嵌入相似。随后，它使用自知识蒸馏方法来维持下游任务的表示质量。在多个数据集上的大量分析证实了模型的有效性，并进一步展示了联合处理两个公平性准则的协同效应，表明该模型在公平智能Web应用中具有潜在价值。
引用
@article{arxiv.2303.08403,
title = {DualFair: Fair Representation Learning at Both Group and Individual Levels via Contrastive Self-supervision},
author = {Sungwon Han and Seungeon Lee and Fangzhao Wu and Sundong Kim and Chuhan Wu and Xiting Wang and Xing Xie and Meeyoung Cha},
journal= {arXiv preprint arXiv:2303.08403},
year = {2023}
}
备注
Accepted and will be published at TheWebConf2023 (WWW2023)