通过压缩实现公平表示
机器学习
2021-06-01 v1 计算机与社会
摘要
收集和出售数据的组织因其对数据的歧视性使用而面临日益严格的审查。我们提出了一种新颖的无监督方法，将数据转换为独立于敏感属性的压缩二进制表示。我们表明，在信息瓶颈框架下，如果敏感属性被直接提供给解码器，则简洁的表示应当过滤掉与敏感属性相关的信息。实证结果表明，所提出的方法 FBC 在准确率-公平性权衡方面达到了最先进水平。对表示比特流的熵的显式控制使用户能够沿率-失真曲线和率-公平性曲线同时平滑地移动。
引用
@article{arxiv.2105.14044,
title = {Fair Representations by Compression},
author = {Xavier Gitiaux and Huzefa Rangwala},
journal= {arXiv preprint arXiv:2105.14044},
year = {2021}
}