敏感属性不确定下的图像生成公平性
机器学习
2021-07-05 v2 计算机视觉与模式识别
机器学习
摘要
本工作解决了生成过程（如图像超分辨率）中的公平性问题，其与标准分类设定有不同的定义。此外，传统的群体公平定义通常是针对指定的受保护群体定义的——掩盖了这些分组是人为的并带有历史和政治动机这一事实——我们强调并不存在真实的身份。例如，南亚人和东亚人应视为一个群体还是分开的群体？我们应将一个种族视为整体还是进一步按性别划分？选择哪些群体是有效的以及谁属于这些群体是一个不可能解决的困境，并且对亚洲人“公平”可能要求对南亚人“不公平”。这促使我们引入允许算法对相关分组保持\emph{不可知}的定义。我们定义了若干直观的群体公平概念，并研究了它们的不相容性与权衡。我们表明，人口平价的自然推广强烈依赖于分组，并且\emph{不可能}以不可知方式实现。另一方面，我们引入的概念上全新的定义——条件比例表示（Conditional Proportional Representation）——可通过后验采样以不可知方式实现。我们的实验验证了理论结果，并使用最先进的生成模型实现了公平的图像重建。
引用
@article{arxiv.2106.12182,
title = {Fairness for Image Generation with Uncertain Sensitive Attributes},
author = {Ajil Jalal and Sushrut Karmalkar and Jessica Hoffmann and Alexandros G. Dimakis and Eric Price},
journal= {arXiv preprint arXiv:2106.12182},
year = {2021}
}