具有公平感知的动态环境响应式在线元学习

公平感知在线学习框架已在持续终身学习的背景下成为一种强大工具。在此场景中，学习者的目标是随着时间推移逐步获取新任务，同时确保在新引入的任务中，不同受保护子群体（如种族和性别）之间的统计均等。当前方法的一个显著局限在于它们严重依赖于数据的独立同分布（i.i.d）假设，导致对框架进行静态遗憾分析。然而，值得注意的是，实现低静态遗憾并不一定意味着在任务来自不同分布的动态环境中表现良好。本文为了应对演化环境中公平感知在线学习的挑战，我们引入了一种独特的遗憾度量 FairSAR，通过将长期公平约束纳入强自适应损失遗憾框架。此外，为了在每个时间步确定最优模型参数，我们提出了一种创新的自适应公平感知在线元学习算法，称为 FairSAOML。该算法能够通过有效管理偏差控制和模型精度来适应动态环境。该问题被表述为双层凸凹优化，同时考虑模型的原始参数和对偶参数，分别涉及其精度和公平属性。理论分析为损失遗憾和公平约束的累积违反提供了次线性上界。我们在动态环境中对多个真实世界数据集进行的实验评估表明，我们提出的 FairSAOML 算法始终优于基于最先进先验在线学习方法的替代方法。