公平域泛化：一种信息论视角
机器学习
2026-01-05 v3 计算机视觉与模式识别
摘要
域泛化（DG）和算法公平性是机器学习中的两个关键挑战。然而，大多数域泛化方法仅关注最小化未见目标域中的期望风险，而未考虑算法公平性。相反，公平性方法通常不考虑域偏移，因此训练期间实现的公平性可能无法泛化到未见测试域。在这项工作中，我们通过研究公平域泛化（FairDG）问题来弥合这些差距，该问题旨在最小化未见目标域中的期望风险和公平性违规。我们推导了针对具有多组敏感属性的多类分类任务中期望风险和公平性违规的新的基于互信息的上界。这些上界从信息论角度为算法设计提供了关键见解。在这些见解的指导下，我们引入了PAFDG（域泛化的帕累托最优公平性），这是一个实用的框架，用于解决FairDG问题，并通过帕累托优化对效用-公平性权衡进行建模。在真实世界视觉和语言数据集上的实验表明，与现有方法相比，PAFDG实现了更优的效用-公平性权衡。
引用
@article{arxiv.2507.05823,
title = {Fair Domain Generalization: An Information-Theoretic View},
author = {Tangzheng Lian and Guanyu Hu and Dimitrios Kollias and Xinyu Yang and Oya Celiktutan},
journal= {arXiv preprint arXiv:2507.05823},
year = {2026}
}
备注
Accepted at AAAI (Oral)