Fair-CDA：面向群体公平性的连续定向增强
机器学习
2023-04-04 v1
摘要
本文提出 {\it Fair-CDA}，一种用于施加公平性约束的细粒度数据增强策略。我们利用特征解耦方法提取与敏感属性高度相关的特征。随后我们表明，通过对群体间敏感特征在转移路径上的模型进行正则化，可实现群体公平性。通过调整沿路径方向的扰动强度，我们提出的增强是可控制且可审计的。为缓解公平性约束导致的精度下降，我们进一步引入一个校准模型，为增强数据填补标签。我们所提方法不假设任何数据生成模型，并确保精度与公平性均具有良好的泛化性。实验结果表明，Fair-CDA 在 Adult、CelebA 和 MovieLens 等广泛使用的基准上持续优于最先进方法。特别地，Fair-CDA 在 Adult 数据集上在保持精度的同时取得了 86.3\% 的公平性相对提升。此外，我们在一个在线推荐系统中评估了 Fair-CDA，以证明该方法在精度与公平性方面的有效性。
引用
@article{arxiv.2304.00295,
title = {Fair-CDA: Continuous and Directional Augmentation for Group Fairness},
author = {Rui Sun and Fengwei Zhou and Zhenhua Dong and Chuanlong Xie and Lanqing Hong and Jiawei Li and Rui Zhang and Zhen Li and Zhenguo Li},
journal= {arXiv preprint arXiv:2304.00295},
year = {2023}
}
备注
Accepted by AAAI-23