公平 Mixup：通过插值实现公平性
机器学习
2021-03-12 v1 计算机与社会
机器学习
摘要
在群体公平性等公平性约束下训练分类器，会对各组之间预测的差异进行正则化。然而，即便约束在训练期间得到满足，它们在评估时也可能无法泛化。为提高公平分类器的泛化能力，我们提出 fair mixup，一种用于施加公平性约束的新数据增强策略。具体而言，我们表明可通过在组间的插值样本路径上正则化模型来实现公平性。我们使用 mixup（一种强大的数据增强策略）来生成这些插值样本。我们分析 fair mixup 并经验性地表明，它在表格、视觉和语言基准上确保了准确率和公平性度量更好的泛化。
引用
@article{arxiv.2103.06503,
title = {Fair Mixup: Fairness via Interpolation},
author = {Ching-Yao Chuang and Youssef Mroueh},
journal= {arXiv preprint arXiv:2103.06503},
year = {2021}
}