公平充分表征学习

公平统计建模和机器学习的主要目标是最小化或消除源于数据或模型本身可能产生的偏见，确保预测和决策不受敏感属性（如种族、性别、年龄或其他受保护特征）的不公平影响。在本文中，我们引入一种公平充分表征学习（Fair Sufficient Representation Learning，FSRL）方法，在充分性和公平性之间进行权衡。充分性确保表征应捕获关于目标变量的所有必要信息，而公平性要求所学表征与敏感属性保持独立。FSRL基于学习充分表征的目标函数与确保公平性的目标函数的凸组合。我们的方法在表征层面管理公平性和充分性，为公平表征学习提供了一种新视角。我们采用距离协方差进行实现，这在刻画随机变量之间的独立性方面效果良好。我们建立了所学表征的收敛性。在结构多样的健康数据集和文本数据集上进行的实验表明，FSRL在公平性与准确性之间实现了优越的权衡，优于现有方法。