通过隐式路径对齐的公平表示学习
机器学习
2022-05-27 v1 机器学习
摘要
我们考虑一种公平表示学习的视角，其中确保基于数据表示的最优预测器对于不同子组是不变的。具体而言，我们将这一直觉表述为一个双层优化问题，其中表示在外层循环中学习，而不变的最优组预测器在内层循环中更新。此外，所提出的双层目标被证明满足充分性规则，该规则在各种实际场景中是可取的，但在公平学习中并未被普遍研究。此外，为了避免在双层目标的内层循环中进行微分所带来的高计算和内存成本，我们提出了一种隐式路径对齐算法，该算法仅依赖于内层优化的解和隐式微分，而不依赖精确的优化路径。我们进一步分析了隐式方法的误差间隙，并在分类和回归设置中通过实验验证了所提出的方法。实验结果显示了在预测性能和公平性度量之间的一致更好的权衡。
引用
@article{arxiv.2205.13316,
title = {Fair Representation Learning through Implicit Path Alignment},
author = {Changjian Shui and Qi Chen and Jiaqi Li and Boyu Wang and Christian Gagné},
journal= {arXiv preprint arXiv:2205.13316},
year = {2022}
}