FairMT：面向异构多任务学习的公平性
机器学习
2025-12-02 v1 人工智能
计算机与社会
摘要
机器学习中的公平性已在单任务设置中得到广泛研究，而公平多任务学习（MTL），特别是涉及异构任务（分类、检测、回归）且标签部分缺失的场景，仍 largely 未被探索。现有公平方法主要针对分类任务，难以扩展到连续输出，难以制定统一的公平目标。进一步地，现有MTL优化在结构上与公平性不符：仅约束共享表征，允许任务头部吸收偏见，导致任务特定的偏差不可控。最后，大多数研究将公平性视为效用与之的零和博弈，通过强制对称约束实现平等但以牺牲已获益益组为代价。我们引入FairMT，一个统一的公平性感知MTL框架，支持所有三种任务类型且在不完全监督下仍可运行。其核心是异构公平约束聚合机制，将任务相关的非对称违规整合为统一的公平约束。效用与公平性通过原始-对偶形式联合优化，while一个 head-aware 多目标优化代理提供可行的下降几何，显式地考虑头部引起的各向异性。我们在三个包含多样化模态和监督 regime 的异构和同构MTL基准上，FairMT consistently 实现显著的公平性提升，同时保持卓越的任务效用。代码将在论文接受后发布。
引用
@article{arxiv.2512.00469,
title = {FairMT: Fairness for Heterogeneous Multi-Task Learning},
author = {Guanyu Hu and Tangzheng Lian and Na Yan and Dimitrios Kollias and Xinyu Yang and Oya Celiktutan and Siyang Song and Zeyu Fu},
journal= {arXiv preprint arXiv:2512.00469},
year = {2025}
}