FairMixRep：面向含公平性约束异质数据的自监督鲁棒表示学习
机器学习
2020-10-15 v2 人工智能
机器学习
摘要
在含数值与类别混合型变量的异质空间中进行表示学习，因其复杂的特征流形而具有有趣的挑战。此外，在无类标签与合适学习损失函数的无监督设定下进行特征学习，更增加了问题复杂度。进而，所学表示及后续预测不应表现出针对某些敏感群体或属性的歧视性行为。所提出的特征映射应保留数据中呈现的最大变异，并需相对于敏感变量保持公平。我们在工作的第一阶段提出一种高效的编码器-解码器框架以捕获混合域信息。工作的第二阶段聚焦于通过添加相关公平性约束对混合空间表示去偏。这确保了公平性保持投影前后表示间的最小信息损失。最终所学表示的信息内容与公平性两方面均已通过若干指标验证，表现出优异性能。我们的工作（FairMixRep）从无监督视角解决混合空间公平表示学习问题，并学到一种及时的、独特的且新颖的研究贡献——通用表示。
引用
@article{arxiv.2010.03228,
title = {FairMixRep : Self-supervised Robust Representation Learning for Heterogeneous Data with Fairness constraints},
author = {Souradip Chakraborty and Ekansh Verma and Saswata Sahoo and Jyotishka Datta},
journal= {arXiv preprint arXiv:2010.03228},
year = {2020}
}
备注
This paper has been accepted at the ICDM'2020 DLC Workshop