公平性感知的类不平衡学习
计算与语言
2021-09-23 v1
摘要
类不平衡是许多NLP任务中的常见挑战，并且与偏见有明显联系，因为训练数据中的偏见常导致多数群体准确率更高而以牺牲少数群体为代价。然而，类不平衡学习与偏见缓解研究之间传统上存在脱节，直到最近二者才通过共同视角被审视。在本文中，我们评估了用于推文情感与职业分类的长尾学习方法，并通过强制公平性的方法扩展了基于间隔损失的方案。我们通过受控实验实证表明，所提方法有助于同时缓解类不平衡与人口统计学偏见。
引用
@article{arxiv.2109.10444,
title = {Fairness-aware Class Imbalanced Learning},
author = {Shivashankar Subramanian and Afshin Rahimi and Timothy Baldwin and Trevor Cohn and Lea Frermann},
journal= {arXiv preprint arXiv:2109.10444},
year = {2021}
}
备注
To appear in EMNLP 2021